背景

mRNA疫苗在COVID-19疫情中的成功应用，确立了脂质纳米颗粒（LNPs）作为mRNA递送的主要方法。LNPs的核心成分是可电离阳离子脂质，这些脂质在酸性条件下可以带正电荷，与mRNA结合并促进其释放。可电离脂质整体化学结构会影响装载mRNA的表达，以及组织器官的分布，对其结构进行优化改进有利于开发性能更良好的LNP递送系统。传统上，优化这些脂质的过程依赖于耗时且昂贵的大量筛选实验，实验的效率和成功率极低。为提高筛选效率，2024年12月30日，澳门大学和复旦大学课题组合作在Nat Commun杂志上发表题为“Artificial intelligence-driven rational design of ionizable lipids for mRNA delivery”的研究论文。作者团队利用人工智能（AI）技术预测LNPs的两个关键特性：表观pKa和mRNA递送效率，经两轮筛选，评估了近2000万种可电离脂质，最终获得的几类性能相当或优于经典可电离脂质MC3的新脂质结构，本研究为加速可电离脂质的筛选设计提供了可行性方案。

Fig1 本研究建立的AI模型用于可电离脂质筛选的示意图

研究方法

AI擅于识别大数据中的潜在关系，并通过推断这些关系来预测新的案例，团队首先收集了海量的文献和专利中可电离脂质的结构数据，包括LNPs的配方、表观pKa、粒径、包封效率、动物种类、给药途径、给药剂量和mRNA表达水平等，利用这些数据构建两轮AI筛选模型，生成并测试了多种可离子化脂质。

Model 1筛选

在第一轮筛选 (Model 1) 中，作者基于DLin-MC3-DMA（MC3）的递送效率进行分类，将优于或低于MC3效率的脂质区分为阳性和阴性，采用LightGBM的训练算法，预测mRNA的传递效率和含有可电离脂质的LNPs的表观pKa，最终识别并合成出三种具有理想pKa和mRNA递送效率的候选脂质，分别是LQ085、LQ086和LQ087。

Fig2 Model 1筛选过程

将LQ085、LQ086和LQ087配制成装载荧光素酶mRNA的LNPs，并与2类经典脂质MC3和SM-102进行比较。结果显示由LQ087、SM-102和MC3生成的LNPs的表观pKa在期望的6.0~7.0范围内，而LQ085和LQ086的pKa则超过7.0。另外LNP注射小鼠后，用LQ087和LQ086制备的LNP相比LQ085的表达效果更好。而LQ086的荧光强度下降速度快于LQ087，可以认为LQ087是三种可电离脂质中最好的，但其效果仅与MC3类似，仍比不上现有最佳标准SM-102。

Fig3 Model 1筛选的三种可电离脂质进行实验验证

Model 2筛选

由于Model 1筛选出的这三种脂质表现不佳，作者认为可能是所选的脂质头部数据集的代表性不足，使模型产生偏差。因此作者接下来重点关注含有乙醇胺头部的脂质，并将递送标准设置为MC3递送递送能力的2倍，建立了更为严格的Model 2。对具有乙醇胺头部基团和不同尾部的组合而产出的666种候选脂质进行筛选，Model 1从中筛选出94种脂质，Model 2则筛选出21种阳性脂质，最终根据pKa和递送效率以及尾部结构等条件进行评判，从21种脂质内进一步筛选出6个候选脂质分子用于后续合成和测试。

Fig4 Model 2筛选过程

和之前一样，将阳性对照（SM-102、MC3）和新设计的6种（LQ089-094）可电离脂质配制成装载荧光素酶mRNA的LNPs，这次所有脂质的pKa值均在6.0~7.0范围内，且这6种新脂质在mRNA传递效率方面都表现良好，和MC3相当，其中LQ089的性能甚至接近目前最佳标准SM-102。后续的稳定性以及毒理测试表明LQ089合成的LNP稳定性良好，没有明显的急性毒性，证明了筛选策略的有效性，提示正确结合多种模型对于AI应用非常重要。

Fig5 9种筛选的新脂质制备LNPs进行活体成像验证

小结

这项研究展示了AI在mRNA递送系统中可离子化脂质设计中的应用潜力。通过AI模型的合理设计，研究者成功筛选出多种性能优异的脂质，加速脂质筛选过程，为mRNA-LNP递送系统的发展提供了新的思路和方法。