预测核酸递送脂质纳米颗粒性能的机器学习框架
生物大分子
2025-06-06 v1
摘要
脂质纳米颗粒(LNP)因其能够将核酸跨越生物膜、低细胞毒性、改进的药代动力学以及可扩展性等优势，成为基因疗法(包括mRNA和siRNA递送)的高效载体。典型的LNP配方方法是建立其组成与体内/体外活性之间的定量结构-活性关系(QSAR)，以便根据分子结构预测活性。然而，由于多组分配方的复杂性、与生物膜的相互作用以及在生理环境中的稳定性，开发LNP的QSAR具有挑战性。为此，我们开发了一个机器学习框架，用于预测LNP用于核酸递送的活性和细胞存活率。我们来自6398个LNP配方的文献数据进行整理，应用九种特征提取技术提取化学信息，并训练了用于二分类和多分类的五个机器学习模型。我们的二分类模型实现了90%以上的准确率，而多分类模型达到95%以上的准确率。我们的结果表明，分子描述符特别是当与随机森林和梯度提升模型一起使用时，提供了最准确的预测。我们的研究还强调，对于提高预测性能，需大型训练数据集和详尽的LNP组成细节，如成分结构、摩尔比、核酸类型和剂量。
引用
@article{arxiv.2411.14293,
title = {Machine learning framework to predict the performance of lipid nanoparticles for nucleic acid delivery},
author = {Gaurav Kumar and Arezoo M. Ardekani},
journal= {arXiv preprint arXiv:2411.14293},
year = {2025}
}
备注
This is a preprint of a manuscript under review