Прогнозная модель машинного обучения для экранировать основанных на LNP вакцин mRNA

В этом новом издании статьи от протоколов Pharmaceutica Sinica b, Вэй Wang авторы, Shuo Feng, Zhuyifan Ye, Hanlu Gao, Jinzhong Lin и Defang Ouyang от университета Макао, университета Макао, Китая и Fudan, Шанхая, Китая обсудите прогноз nanoparticles липида для вакцин mRNA алгоритмами машинного обучения.

Nanoparticle липида (LNP) обыкновенно использован для того чтобы поставить вакцины mRNA. В настоящее время, оптимизирование LNP главным образом полагается на экранировать ionizable липиды традиционными экспериментами которые уничтожают интенсивные цену и время. Настоящие попытки исследования приложить вычислительные методы для ускорения развития LNP для вакцин mRNA. Во первых, были собраны 325 образцов данных образований mRNA вакционных LNP с титром IgG.

Алгоритм машинного обучения, lightGBM, был использован для построения модели прогноза с хорошей работой (r2>0,87). Более важно, критические субструктуры ionizable липидов в LNPs были определены алгоритмом, который хорошо согласился с опубликованными результатами. Животные экспириментально результаты показали что LNP использующ DLin-MC3-DMA (MC3) как ionizable липид с коэффициентом N/P на более высокой эффективности наведенной 6:1 в мышах чем LNP с SM-102, которое было последовательно с модельным прогнозом. Молекулярное динамическое моделирование более добавочно расследовало молекулярный механизм LNPs использовало в эксперименте.

Результат показал что молекулы липида суммированные для того чтобы сформировать LNPs, и молекулы mRNA скрутили вокруг LNPs. В сводке, прогнозная модель машинного обучения для основанных на LNP вакцин mRNA сперва была развита, была утвержена экспериментами, и более добавочно была интегрирована с молекулярным моделированием. Модель прогноза можно использовать для виртуального скрининга образований LNP в будущем.