Vorbestimmtes Modell der Lernfähigkeit einer Maschine für das Aussortieren von LNP-ansässigen mRNA-Impfstoffen

In dieser neuen Artikelveröffentlichung vom Acta Pharmaceutica Sinica besprechen Wei Wang B, Autoren, Shuo Feng, Zhuyifan YE, Hanlu Gao, Jinzhong Lin und Defang Ouyang von der Universität von Macao, von Macao-, China- und Fudan-Universität, Shanghai, China die Vorhersage von Lipid nanoparticles für mRNA-Impfstoffe durch Lernfähigkeit- einer Maschinealgorithmen.

Lipid Nanoparticle (LNP) ist allgemein verwendet, mRNA-Impfstoffe zu liefern. Z.Z. beruht LNP-Optimierung hauptsächlich auf dem Aussortieren von ionisierbaren Lipiden durch traditionelle Experimente, die intensive Kosten und Zeit verbrauchen. Die gegenwärtigen Studienversuche, Computermethoden anzuwenden, um die LNP-Entwicklung für mRNA-Impfstoffe zu beschleunigen. Erstens wurden 325 Datenproben von Impf-LNP Formulierungen mRNA mit IgG-Titer gesammelt.

Der Lernfähigkeit- einer Maschinealgorithmus, lightGBM, wurde verwendet, um ein Vorhersagenmodell mit guter Leistung zu errichten (R2>0,87). Wichtiger, wurden die kritischen Fundamente von ionisierbaren Lipiden in LNPs durch den Algorithmus identifiziert, der gut mit erschienenen Ergebnissen übereinstimmte. Die Tierversuchsergebnisse zeigten dass LNP mit DLin-MC3-DMA (MC3) als ionisierbares Lipid mit einem N-/Pverhältnis an 6:1 verursachter höherer Leistungsfähigkeit in den Mäusen als LNP mit SM-102, das mit der Prognose in Einklang war. Das molekulares dynamisches Modellieren forschte weiter den molekularen Mechanismus von LNPs verwendete im Experiment nach.

Das Ergebnis zeigte, dass die Lipidmoleküle, die angesammelt wurden, um LNPs zu bilden, und mRNA-Moleküle um das LNPs twined. Zusammenfassend wurde das vorbestimmte Modell der Lernfähigkeit einer Maschine für LNP-ansässige mRNA-Impfstoffe weiter mit dem molekularem Modellieren entwickelt zuerst, validiert durch Experimente und integriert. Das Vorhersagenmodell kann für virtuelle Siebung von LNP-Formulierungen in der Zukunft benutzt werden.