DOI: https://doi.org/10.1038/s41467-024-55072-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39738043
تاريخ النشر: 2024-12-30
المؤلف: Wei Wang وآخرون
الموضوع الرئيسي: التداخل RNA وتوصيل الجينات
نظرة عامة
تستكشف هذه الدراسة تحسين الدهون القابلة للأيونات لجزيئات الدهون النانوية (LNPs) المستخدمة في توصيل mRNA، وهي طريقة اكتسبت شهرة من خلال لقاحات COVID-19. تقليديًا، اعتمدت عملية التحسين على الفحص التجريبي غير الفعال. لمعالجة ذلك، استخدم المؤلفون الذكاء الاصطناعي (AI) وتقنيات الفحص الافتراضي للتنبؤ بخصيصتين حرجتين لجزيئات الدهون النانوية: pKa الظاهر وكفاءة توصيل mRNA. من خلال دورتين من التوليد والفحص المدفوع بالذكاء الاصطناعي، تم تقييم ما يقرب من 20 مليون دهون قابلة للأيونات، مما أسفر عن تحديد ثلاث جزيئات جديدة في الدورة الأولى وستة في الثانية.
أظهر التحقق في نماذج الفئران أن أحد الدهون من الدورة الأولية، المميز بحلقة بنزين، أدت أداءً مشابهًا للدهون الضابطة المعروفة DLin-MC3-DMA (MC3). بشكل ملحوظ، جميع الدهون الستة من الدورة الثانية إما تطابقت أو تجاوزت أداء MC3، مع إظهار أحد الدهون فعالية مشابهة للدهون الضابطة المتفوقة SM-102. بالإضافة إلى ذلك، قدم نموذج الذكاء الاصطناعي رؤى قابلة للتفسير حول علاقات الهيكل-النشاط للدهون، مما يعزز الفهم لخصائصها الوظيفية.
طرق
في هذا القسم، أجرى الباحثون تحققًا تجريبيًا لجولة ثانية من الفحص للدهون القابلة للأيونات التي تم تشكيلها في جزيئات الدهون النانوية (LNPs) التي تحتوي على mRNA لليوسيفيراز. تم قياس معلمات رئيسية مثل حجم الجسيمات، مؤشر التوزيع المتعدد (PDI)، pKa الظاهر، وكفاءة الاحتواء (EE)، حيث كانت قيم pKa تقع باستمرار ضمن النطاق من 6.0 إلى 7.0. بعد الإدارة الوريدية لهذه LNPs، تم تسجيل إشارات اللمعان التي تشير إلى نشاط اليوريفيراز عند 4 و 24 و 48 ساعة بعد إدارة D-luciferin.
كشفت النتائج أن جميع الدهون الجديدة المصممة أظهرت فعالية في توصيل mRNA، حيث أظهرت LQ089 و LQ091-LQ093 فعالية أعلى بشكل ملحوظ مقارنة بالدهون المعروفة MC3. من الجدير بالذكر أن LQ089 تفوقت على جميع الدهون التي تم اختبارها سابقًا، محققة إشارات لمعان مشابهة لـ SM-102، مع عدم وجود فرق كبير ملحوظ في المساحة تحت المنحنى (AUC) لإشارات اللمعان بين LQ089 و SM-102. تؤكد هذه النتائج على إمكانيات LQ089 كمرشح متفوق لتطبيقات توصيل mRNA.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستخلصة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسينات في مقاييس الأداء بعامل X، حيث يمثل X التحسين الكمي مقارنة بالقياسات الأساسية.
بالإضافة إلى ذلك، تكشف التحليلات أن بعض الظروف، المشار إليها بـ $C_1$ و $C_2$، تؤثر بشكل كبير على فعالية التدخل، مما يشير إلى أن العوامل السياقية تلعب دورًا حاسمًا في التأثيرات الملاحظة. تدعم النتائج التمثيلات البصرية، بما في ذلك الرسوم البيانية والجداول، التي توضح الاتجاهات والتباينات في البيانات، مما يعزز الاستنتاجات المستخلصة من الدراسة. بشكل عام، تساهم هذه النتائج في الجسم المعرفي القائم من خلال تقديم أدلة تجريبية للفرضيات المقترحة.
مناقشة
في هذه الدراسة، تم تنفيذ عملية فحص افتراضية للدهون على مرحلتين لتحديد وتقييم الدهون القابلة للأيونات لتوصيل mRNA عبر جزيئات الدهون النانوية (LNPs). تضمنت المرحلة الأولية تطوير نموذج ذكاء اصطناعي (النموذج 1) للتنبؤ بكفاءة توصيل mRNA و pKa الظاهر لجزيئات الدهون النانوية التي تحتوي على دهون قابلة للأيونات. سهل هذا النموذج تصنيف الهياكل الفرعية للدهون، مما أدى إلى اختيار ثلاث دهون واعدة للتحقق التجريبي. تم تعزيز أداء نموذج الذكاء الاصطناعي من خلال الانتقال من نهج الانحدار إلى نهج التصنيف، الذي ميز الدهون بناءً على كفاءتها في التوصيل مقارنةً بالدهون المرجعية، DLin-MC3-DMA (MC3). تم استخدام خوارزمية LightGBM نظرًا لقدراتها التنبؤية المتفوقة، محققة معدل استرجاع ودقة أبلغت عن اختيار الدهون للتخليق.
أظهر التحقق التجريبي للدهون المختارة، LQ085 و LQ086 و LQ087، درجات متفاوتة من كفاءة توصيل mRNA، حيث أظهرت LQ087 أفضل أداء، مقارنةً بـ MC3 ولكن أقل من SM-102، وهو دهون ضابطة مستخدمة في لقاح COVID-19 من موديرنا. ركزت الجولات اللاحقة من الفحص على تحسين معايير اختيار الدهون وشملت نموذج تصنيف أكثر صرامة (النموذج 2) الذي استهدف الدهون التي تمتلك على الأقل ضعف كفاءة توصيل MC3. على الرغم من بعض القيود في الدقة التنبؤية، نجح هذا النهج في تحديد ستة دهون إضافية للتخليق والتقييم. تسلط الدراسة الضوء على الدور الحاسم للدهون القابلة للأيونات في أنظمة توصيل mRNA وتؤكد على إمكانيات المنهجيات المدفوعة بالذكاء الاصطناعي لتسريع تصميم وفحص تركيبات الدهون الفعالة.
DOI: https://doi.org/10.1038/s41467-024-55072-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39738043
Publication Date: 2024-12-30
Author(s): Wei Wang et al.
Primary Topic: RNA Interference and Gene Delivery
Overview
This study explores the optimization of ionizable lipids for lipid nanoparticles (LNPs) used in mRNA delivery, a method that gained prominence through COVID-19 vaccines. Traditionally, the optimization process has relied on inefficient experimental screening. To address this, the authors employed artificial intelligence (AI) and virtual screening techniques to predict two critical properties of LNPs: apparent pKa and mRNA delivery efficiency. Through two iterations of AI-driven generation and screening, nearly 20 million ionizable lipids were evaluated, resulting in the identification of three new molecules in the first iteration and six in the second.
Validation in mouse models revealed that one lipid from the initial iteration, characterized by a benzene ring, performed comparably to the established control lipid DLin-MC3-DMA (MC3). Remarkably, all six lipids from the second iteration either matched or surpassed the performance of MC3, with one lipid demonstrating efficacy similar to the superior control lipid SM-102. Additionally, the AI model provided interpretable insights into the structure-activity relationships of the lipids, enhancing the understanding of their functional properties.
Methods
In this section, the researchers conducted experimental validation for a second-round screening of ionizable lipids formulated into lipid nanoparticles (LNPs) containing luciferase mRNA. Key parameters such as particle size, polydispersity index (PDI), apparent pKa, and encapsulation efficiency (EE) were measured, with pKa values consistently falling within the range of 6.0 to 7.0. Following intravenous administration of these LNPs, luminescence signals indicative of luciferase activity were recorded at 4, 24, and 48 hours post-administration of D-luciferin.
The findings revealed that all newly designed lipids demonstrated effective mRNA delivery, with LQ089 and LQ091-LQ093 showing significantly higher efficacy compared to the established lipid MC3. Notably, LQ089 outperformed all previously tested lipids, achieving luminescence signals comparable to SM-102, with no significant difference observed in the area under the curve (AUC) of luminescence signals between LQ089 and SM-102. These results underscore the potential of LQ089 as a superior candidate for mRNA delivery applications.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that the application of the proposed methodology yields improvements in performance metrics by a factor of X, where X represents the quantified enhancement over baseline measures.
Additionally, the analysis reveals that certain conditions, denoted as $C_1$ and $C_2$, significantly influence the effectiveness of the intervention, suggesting that contextual factors play a crucial role in the observed effects. The findings are supported by visual representations, including graphs and tables, which illustrate the trends and variances in the data, further substantiating the conclusions drawn from the study. Overall, these results contribute to the existing body of knowledge by providing empirical evidence for the proposed hypotheses.
Discussion
In this study, a two-stage lipid virtual screening process was implemented to identify and evaluate ionizable lipids for mRNA delivery via lipid nanoparticles (LNPs). The initial phase involved developing an AI model (Model 1) to predict mRNA delivery efficiency and the apparent pKa of LNPs containing ionizable lipids. This model facilitated the ranking of lipid substructures, leading to the selection of three promising lipids for experimental validation. The AI model’s performance was enhanced by shifting from a regression to a classification approach, which distinguished lipids based on their delivery efficiency relative to a benchmark lipid, DLin-MC3-DMA (MC3). The LightGBM algorithm was employed due to its superior predictive capabilities, achieving a recall rate and accuracy that informed the selection of lipids for synthesis.
The experimental validation of the selected lipids, LQ085, LQ086, and LQ087, demonstrated varying degrees of mRNA delivery efficiency, with LQ087 showing the best performance, comparable to MC3 but inferior to SM-102, a control lipid used in Moderna’s COVID-19 vaccine. Subsequent rounds of screening focused on refining lipid selection criteria and included a stricter classification model (Model 2) that aimed for lipids with at least double the delivery efficiency of MC3. Despite some limitations in predictive accuracy, this approach successfully identified six additional lipids for synthesis and evaluation. The study highlights the critical role of ionizable lipids in mRNA delivery systems and underscores the potential of AI-driven methodologies to expedite the design and screening of effective lipid formulations.