Ученые предлагают новый подход искусственного интеллекта для скрининга липидных наночастиц при доставке мРНК

Важные новости

Ученые предлагают новый подход к искусственному интеллекту для скрининг липидных наночастиц при доставке мРНК

Общая архитектура прогнозирования свойств ионизируемых липидов начинается с получения наборов данных об эффективности трансфекции для различных ионизируемых липидов. Впоследствии блок BalMol используется для сглаживания распределения меток и молекулярных особенностей для балансировки данных LNP. Наконец, модель TransLNP используется для прогнозирования эффективности трансфекции. Фото: Брифинги по биоинформатике (2024 г.). DOI: 10.1093/bib/bbae186

Таргетное лечение панрака с помощью вакцины с информационной РНК (мРНК) является горячей темой в исследованиях лекарств. Ключевой проблемой в разработке мРНК является создание систем доставки, называемых липидными наночастицами (ЛНЧ), которые служат носителями для доставки мРНК-терапии или вакцин к клеткам-мишеням. Подготовка и проверка компонентов ЛНЧ требуют длительных циклов и высоких затрат.

В исследовании, опубликованном в Briefings in BioinformaticsИсследовательская группа под руководством профессора Лю Личжуана из Шанхайского института перспективных исследований (SARI) Китайской академии наук предложила модель глубокого обучения под названием TransLNP, основанную на механизмах самообслуживания, которая отображает трехмерную (3D) микроструктуру и биохимические свойства мРНК-ЛНЧ для обеспечения высокоточного автоматического скрининга ЛНЧ.

Разработанный ТрансЛНП использовал подход к межмолекулярному автоматическому обучению для извлечения знаний из существующих молекулярных данных, что позволяет обучать ЛНП на небольшой выборке и облегчение переноса модели на разные типы молекул.

Чтобы построить взаимосвязь картирования между трехмерной микроструктурой и биохимическими свойствами мРНК-ЛНЧ, модель полностью использовала крупнозернистую информацию об атомных последовательностях и мелкозернистые атомные пространственные соответствия. Он извлекал особенности молекулярного уровня посредством взаимодействия атомной информации (типы атомов, координаты, матрицы относительных расстояний, матрицы типов ребер) на основе механизма самообслуживания.

Чтобы устранить дисбаланс, вызванный ограниченностью данных LNP, был разработан модуль BalMol. Этот модуль сбалансировал данные путем сглаживания распределения меток и распределения молекулярных признаков.

TransLNP достиг среднеквадратичной ошибки (MSE) менее пяти для прогнозирования эффективности трансфекции LNP. По сравнению с различными распространенными сверточными нейронными сетями на графах и алгоритмами машинного обучения TransLNP продемонстрировал превосходную производительность с точки зрения MSE, R2 (чем больше значение, тем лучше) и коэффициента корреляции Пирсона, достигнув показателей высшего уровня в этой области.

Эта работа полезна для быстрого и точного прогнозирования эффективности трансфекции мРНК-ЛНЧ и прогнозирования новых структур липидных наночастиц, а также проливает свет на применение препаратов мРНК в генной терапии, разработке вакцин и доставке лекарств.< /p>

Дополнительная информация: Кун Ву и др., Трансформатор со сбалансированными данными для ускоренного скрининга ионизируемых липидных наночастиц при доставке мРНК, Брифинги по биоинформатике > (2024 г.). DOI: 10.1093/bib/bbae186

Предоставлено Китайской академией наук

Новости сегодня

Последние новости