TransMA：一种用于预测 mRNA 递送中离子化脂质纳米颗粒属性的可解释多模态深度学习模型
人工智能
2024-07-09 v1 计算机视觉与模式识别
摘要
作为主要的 mRNA 递送载体，离子化脂质纳米颗粒（LNPs）表现出卓越的安全性、高效的转染效率以及强大的免疫反应诱导能力。然而，LNPs 的筛选过程耗时且成本高昂。为加速高转染效率 mRNA 药物递送系统的筛选，我们提出一种可解释的 LNPs 转染效率预测模型，称为 TransMA。TransMA 采用多模态分子结构融合架构，其中细粒度原子空间关系提取器（称为分子 3D Transformer）捕获分子的三维空间特征，而粗粒度原子序列提取器（称为分子 Mamba）捕获一维分子特征。我们设计了分子注意力机制模块，使其能够对齐细粒度和粗粒度的原子特征，并捕捉原子空间结构与序列结构之间的关系。在当前最大规模的 LNPs 数据集上使用 scaffold 和 cliff 数据划分方法，TransMA 在 Hela 和 RAW 细胞系中实现了在转染效率预测方面的领先性能。此外，我们发现 TransMA 捕捉到了细微结构变化与显著转染效率变化之间的关系，为 LNPs 的设计提供了宝贵的洞察。此外，TransMA 对外部转染效率数据的预测结果与实际转染效率的排序保持一致，表明其具备稳健的泛化能力。代码、模型和数据已公开发布于 https://github.com/wklix/TransMA/tree/master。我们希望未来的高精度转染预测模型能够辅助 LNPs 的设计和初始筛选，从而加速 mRNA 设计进程。
引用
@article{arxiv.2407.05736,
title = {TransMA: an explainable multi-modal deep learning model for predicting properties of ionizable lipid nanoparticles in mRNA delivery},
author = {Kun Wu and Zixu Wang and Xiulong Yang and Yangyang Chen and Zhenqi Han and Jialu Zhang and Lizhuang Liu},
journal= {arXiv preprint arXiv:2407.05736},
year = {2024}
}
备注
14 pages, 9 figures