圖二、新型陽離子脂質(zhì)的篩選和AI訓練

圖三、AI模型的預測和體內(nèi)效果驗證

在進一步的研究中，我們發(fā)現(xiàn)AGILE模型不僅能夠預測離子化脂質(zhì)在特定細胞系中的轉(zhuǎn)染效率，還能夠揭示離子化脂質(zhì)對細胞的特異性偏好。通過對比不同細胞系中轉(zhuǎn)染最佳效率的離子化脂質(zhì)，我們發(fā)現(xiàn)了一些具有細胞特異性的脂質(zhì)分子。這些分子在某些細胞系中表現(xiàn)出超高的轉(zhuǎn)染效率，而在其他細胞系中則表現(xiàn)平平。這一發(fā)現(xiàn)為針對不同細胞類型進行定制化的離子化脂質(zhì)開發(fā)提供了可能。

為了驗證AGILE模型在體內(nèi)實驗中的預測準確性，我們選擇了部分預測性能較好的離子化脂質(zhì)進行了動物實驗。具體來說，我們將這些脂質(zhì)分子包裹在LNP中，并通過肌肉注射的方式將其遞送到小鼠體內(nèi)。然后，我們測定了小鼠體內(nèi)mRNA的遞送效率和表達水平。實驗結(jié)果顯示，AGILE模型預測的體內(nèi)轉(zhuǎn)染效率與實驗測得的結(jié)果高度一致，進一步驗證了模型的預測準確性。此外，我們還發(fā)現(xiàn)了一些在體內(nèi)實驗中表現(xiàn)出優(yōu)異性能的離子化脂質(zhì)，這些脂質(zhì)有望成為新一代體內(nèi)mRNA遞送系統(tǒng)的候選材料。

為了理解AGILE模型如何預測離子化脂質(zhì)的mRNA轉(zhuǎn)染效率，我們采用了基于梯度的模型解釋方法。這種方法通過計算模型預測值對輸入分子描述符的梯度，來評估每個描述符對預測結(jié)果的影響程度。我們選擇了在HeLa細胞中預測轉(zhuǎn)染最佳效率的幾種脂質(zhì)，分析了它們的關(guān)鍵分子特征。結(jié)果顯示，特定的分子描述符，如脂質(zhì)的電荷分布、極性表面積和疏水性等，對模型的預測結(jié)果具有顯著影響。這些描述符不僅反映了脂質(zhì)分子的物理化學性質(zhì)，也與其在細胞內(nèi)的轉(zhuǎn)染效率密切相關(guān)。

為了驗證AGILE模型的預測準確性，并探索不同離子化脂質(zhì)之間的關(guān)系，我們構(gòu)建了相似性網(wǎng)絡。該網(wǎng)絡基于離子化脂質(zhì)的分子描述符計算它們之間的相似度，并將相似度高的脂質(zhì)連接起來。我們選擇了在HeLa細胞中預測轉(zhuǎn)染最效率的15種脂質(zhì)進行網(wǎng)絡分析。結(jié)果顯示，高效LNP H9不僅與具有相同頭基團的LNP（如H7、H8）緊密相連，還與其他高性能候選物（如H12、H13）存在關(guān)聯(lián)。這表明AGILE模型在預測離子化脂質(zhì)性能時，能夠捕捉到脂質(zhì)分子之間的內(nèi)在聯(lián)系和相似性。

為了更深入地理解AGILE模型的預測機制，我們對預測性能最佳的離子化脂質(zhì)H9進行了分子層面的解釋。我們利用圖編碼器對H9的分子結(jié)構(gòu)進行了可視化分析，并識別出了影響模型預測的最關(guān)鍵區(qū)域。結(jié)果顯示，H9分子中的特定官能團和原子排列方式對其轉(zhuǎn)染效率具有重要影響。這些官能團和原子排列方式不僅與脂質(zhì)的物理化學性質(zhì)密切相關(guān)，還與其在細胞內(nèi)的相互作用和轉(zhuǎn)染機制有關(guān)。

為了驗證AGILE模型的預測準確性，我們進行了實驗驗證。我們選擇了在HeLa細胞中預測轉(zhuǎn)染效率較高的幾種脂質(zhì)，包括H9，并制備了相應的LNP。然后，我們在HeLa細胞中進行了體外轉(zhuǎn)染實驗，并測量了mRNA的遞送效率。結(jié)果顯示，實驗測得的轉(zhuǎn)染效率與AGILE模型的預測結(jié)果高度一致，驗證了模型的預測準確性。此外，我們還比較了AGILE模型與其他傳統(tǒng)方法（如基于經(jīng)驗的篩選和基于結(jié)構(gòu)的虛擬篩選）在預測離子化脂質(zhì)性能方面的優(yōu)劣。結(jié)果顯示，AGILE模型在預測準確性和篩選效率方面均優(yōu)于傳統(tǒng)方法。

圖五、模型構(gòu)建和機制解釋

1. AGILE平臺的優(yōu)勢：AGILE平臺通過結(jié)合組合合成、高通量篩選和深度學習技術(shù)，實現(xiàn)了對mRNA遞送用LNP的快速開發(fā)。該平臺具有高效、準確和可擴展的特點，為mRNA疫苗和療法的開發(fā)提供了有力支持。

2. 深度學習模型的應用前景：深度學習模型在預測脂質(zhì)遞送性能方面展現(xiàn)出巨大潛力。未來，隨著數(shù)據(jù)集的擴大和模型的不斷優(yōu)化，深度學習模型有望成為LNP開發(fā)中的重要工具。

3. 未來研究方向：盡管AGILE平臺已經(jīng)取得了顯著成果，但仍有許多值得探索的方向。例如，可以進一步擴展脂質(zhì)庫的多樣性，探索更多類型的離子型脂質(zhì)；同時，也可以深入研究LNP與細胞相互作用的機制，以提高LNP的穩(wěn)定性和安全性。