Modèle prévisionnel d'apprentissage automatique pour examiner des vaccins basés sur LNP d'ADN messagère

En cette nouvelle publication d'article d'acta Pharmaceutica Wei Wang B, auteurs de Sinica, Shuo Feng, Zhuyifan YE, Hanlu Gao, Jinzhong Lin et Defang Ouyang d'université de Macao, d'université de Macao, de la Chine et de Fudan, Changhaï, Chine discutent la prévision des nanoparticles de lipide pour des vaccins d'ADN messagère par des algorithmes d'apprentissage automatique.

Le nanoparticle de lipide (LNP) est utilisé généralement pour livrer des vaccins d'ADN messagère. Actuellement, l'optimisation de LNP se fonde principalement sur examiner les lipides ionisables par les expériences traditionnelles qui consomment le coût et le temps intensifs. Les tentatives actuelles d'étude d'appliquer des méthodes informatiques pour accélérer le développement de LNP pour des vaccins d'ADN messagère. Premièrement, 325 échantillons de données de formulations vacciniques d'ADN messagère LNP avec le titre d'IgG ont été rassemblés.

L'algorithme d'apprentissage automatique, lightGBM, a été employé pour établir un modèle de prévision avec la bonne représentation (R2>0,87). D'une manière primordiale, les sous-structures critiques des lipides ionisables dans LNPs ont été identifiées par l'algorithme, qui était conforme bien aux résultats édités. Les résultats expérimentaux animaux ont prouvé que LNP en utilisant DLin-MC3-DMA (MC3) en tant que lipide ionisable avec un rapport de N/P au rendement plus élevé induit par 6:1 dans les souris que LNP avec SM-102, qui était compatible à la prévision modèle. La modélisation dynamique moléculaire plus plus loin a étudié le mécanisme moléculaire de LNPs a employé dans l'expérience.

Le résultat a prouvé que les molécules de lipide agrégées pour former LNPs, et les molécules d'ADN messagère ont tortillé autour du LNPs. En résumé, le modèle prévisionnel d'apprentissage automatique pour les vaccins basés sur LNP d'ADN messagère a été développé la première fois, validé par des expériences, et plus loin intégré avec la modélisation moléculaire. Le modèle de prévision peut être employé pour le criblage virtuel des formulations de LNP à l'avenir.