《APSB》浙大团队综述：AI正在重写LNP设计手册——从6万个虚拟脂质里捞出mRNA递送天选之子【详读】

来源于：纳米医学网 | 作者：小 N | 发布时间：2026-10-28 | 浏览：3

《APSB》浙大团队综述：AI正在重写LNP设计手册——从6万个虚拟脂质里捞出mRNA递送"天选之子"

《APSB》浙大团队综述：AI正在重写LNP设计手册——从6万个虚拟脂质里捞出mRNA递送

mRNA疗法的想象力早已越过疫苗：蛋白替代治疗、基因编辑、代谢病、个体化肿瘤疫苗，都被视为下一代精准医学的基石。新冠疫苗证明了这门技术的速度与设计弹性——两款SARS-CoV-2 mRNA疫苗与一款RSV mRNA疫苗先后拿到FDA通行证，幕后功臣都是同一种载体：脂质纳米颗粒（LNP）。但热闹背后，递送仍是那扇最难推开的门。LNP由可电离脂质、胆固醇、中性磷脂与PEG化脂质四件套组成，协同完成包裹、入胞、内涵体逃逸与释放；然而配方空间大得令人绝望——仅可电离脂质的头基、尾链、连接臂自由组合就是一场天文数字的海选；静脉注射后又几乎"逢针必进肝"（载脂蛋白E吸附+肝细胞LDL受体摄取的固定剧本），肺、脾、心肌、肿瘤的递送需求统统排队等候；再加上LNP在体内与免疫细胞、血浆蛋白、内皮屏障的互动机制至今没有完全阐明，传统"合成-测试-再合成"的试错节奏根本追不上需求。人工智能正是冲着这三个瓶颈来的。浙江大学团队在 Acta Pharmaceutica Sinica B 发表综述"Artificial intelligence-guided design of lipid nanoparticles for mRNA delivery"（DOI: 10.1016/j.apsb.2025.11.029），系统梳理了机器学习如何从脂质结构筛选、配方优化、器官靶向预测到免疫反应评估，全链条重塑mRNA-LNP研发范式。

◆ 一、为什么LNP设计非AI不可

先把问题量化。LNP的表性参数——粒径、PDI（多分散系数，衡量粒径整齐度）、zeta电位、pKa、包封率——由脂质化学结构、摩尔配比与制备条件共同决定，任何一处微调都会连锁改变体内命运：粒径小的更易穿透内皮屏障、借EPR效应被动富集肿瘤；大的则被肝肾单核吞噬系统捕获、适合肝脏给药；胆固醇比例升高促进肝摄取，降低则减弱。这些变量相互纠缠，构成一个高维非线性优化问题，人脑与单变量实验都力不从心。AI的切入点恰好是它的强项：从海量实验数据中抽取"组成-结构-功能"的隐藏关联，用预测模型代替一轮轮湿实验。自1943年McCulloch-Pitts阈值神经元模型奠基、经集成学习与核方法、再到深度学习时代，机器学习已在药物靶点发现、协同预测与递送系统优化中全面落地；纳米医学一侧，从1959年Feynman"底部空间 Plenty"的构想、1995年首个FDA批准纳米药Doxil，到2018年Onpattro开创LNP药物时代，两条技术曲线在2020年后交汇——预测蛋白冠相互作用、智能优化球形核酸、设计LNP疫苗，AI已成为纳米材料发现的加速器。

◆ 二、筛脂质：从14900个候选到"119-23"的出道

可电离脂质是LNP的心脏：生理pH下电中性、低毒，进入酸性内涵体后质子化带正电、撕开逃逸通道。AI筛脂质的第一个范式是"组合化学+监督学习"：Li等用随机森林（RF）、梯度提升与逻辑回归对二分类数据集赛马，XGBoost胜出（PR曲线0.987、ROC 0.983），指导高通量筛选从大化学库中锁定新型可电离脂质119-23——其mRNA递送效率反超商用标杆MC3与SM-102。第二个范式是"结构特征重要性反推设计规则"：Bae等用213个LNP、314个特征训练RF回归模型预测皮内注射后mRNA表达，十折交叉验证下15个特征时性能最优（R²=0.708、Pearson相关0.845），SHAP（沙普利值，量化每个特征对预测贡献的解释工具）分析揪出关键子结构——酚基：其羟基与mRNA相互作用，同时提升效率与稳定性，重要性得分0.297。第三条路更大胆：机器学习增强的遗传算法直接筛查14900种候选无机纳米颗粒，成功发现选择性细胞毒材料（Q1=0.80、RMSE=13.6）——展示了"算法驱动+虚拟库"的规模威力。

◆ 三、预测表性参数与pKa窗口：6.0到7.0之间藏着答案

Maharjan等用XGBoost、贝叶斯优化与自验证集成模型（SVEM）解析LNP处方参数与粒径、PDI、zeta电位、pKa、热趋势循环、包封率的关系，预测响应度超过94%——意味着多数常规表征可先由模型"预演"，实验只做验证。pKa尤其值得单独说：它关乎载体稳定性与体内器官靶向，Wang等用LightGBM构建基于pKa的模型筛选可电离脂质，Recall 0.86、准确率0.90，优于RF；模型筛出的LQ089脂质，mRNA递送效率高于MC3、与SM-102相当，而数据规律清晰：有效递送多落在pKa 6.0–7.0区间。分子动力学仿真也在补位机制认知：Gao等模拟中性缓冲液中LNP自组装，发现包封率随N/P比（氮磷比，脂质氨基与核酸磷酸基摩尔数之比）升高而上升，N/P=6时核酸被完全包裹。电化学+无监督学习则走向质控：Romanò等采集三种脂质配方的循环伏安信号，PCA（主成分分析）提取PC1/PC2解释98.9%的数据方差，联合线性判别分析对未见配方分类准确率90%——一套低成本、可携带的LNP快速质检方案雏形已现。

◆ 四、器官靶向与蛋白冠：AI破解"进肝魔咒"的两把钥匙

静脉LNP的肝嗜性源自ApoE吸附-LDL受体识别，想改道就得理解"蛋白冠"——颗粒入血瞬间披上的血浆蛋白吸附层，它直接决定循环半衰期、免疫逃逸与组织分布。传统质谱表征通量低、跨物种波动大，AI给出新解：652条纳米颗粒-蛋白冠数据（8个定性+13个定量特征）训练RF模型，关键功能蛋白（免疫蛋白、补体、载脂蛋白）相对丰度预测R²多在0.75以上，并成功预测巨噬细胞摄取与细胞因子释放等冠介导的识别过程；多任务框架进一步拆成"吸附与否"分类+丰度回归两级（ERT/RF/GBDT接力），SHAP揭示未修饰颗粒类型、孵化蛋白源与离心温度是显著特征。细胞层面，Hunter等用高内涵成像从siRNA/化合物处理的细胞群提取850维表型特征（细胞密度、核质比、亚细胞荧光空间分布），RF/GBDT/KNN三模型达到74–81%总准确率、66–75%分类准确率，锁定核膜曲率动态、核周囊泡拓扑重组等10个高影响因子——把"什么样的LNP进什么细胞"从玄学变成可测量的特征学。

◆ 五、体内命运与免疫双刃剑：AGILE平台与炎症预测

体内递送终极读数是目标组织的蛋白表达。Xu等提出AGILE平台（AI引导的可电离脂质工程）：先以60000条脂质做自监督预训练，再用高通量实验数据监督微调，最终精准预测转染效率，筛出肌肉递送优选H9、巨噬细胞转染优选R6——一个模型同时交付两种器官靶向答案。免疫端，综述把LNP免疫原性称为双刃剑：疫苗场景需要它佐剂化（激活辅助T细胞、推动体液免疫），治疗场景又怕它点火（注射部位乃至全身炎症）。Bae等发现酚羟基数量与总IgG水平及炎症因子表达密切相关，且LNP免疫强度与"酯桥+尾链"（EB+T）长度负相关——链越长、炎症越温和，设计杠杆一目了然；Wang等用LightGBM预测mRNA疫苗诱导的IgG滴度，N/P比更高（如6:1）常伴随更高递送效率与抗原表达。深度学习模型还能从转录组/蛋白组数据里挖炎症生物标志物，指导在保住递送效率的同时压低IL-6、TNF-α、IFN-γ。

◆ 六、清醒剂：黑箱、偏科数据与监管空白

综述同时泼了四盆冷水。其一，黑箱问题：模型可能预测出器官选择性，却说不清来源是脂质组成、粒径动态还是瞬态蛋白冠，SHAP只能部分缓解，而解释性不足直接卡科学理解与临床审批的脖子。其二，数据偏科：训练集被SM-102主导的脂质类别与小鼠模型高度占据，向人体组织与病理状态外推时系统性偏差风险大；pKa、PEG化密度与器官分布对应的标准化体内数据仍然稀缺。其三，计算-体内断层：体外转染效率训练的模型常常忽略免疫监视、内皮屏障、蛋白冠时变演化，器官递送预测失准，类器官与器官芯片融合多组学的混合预测系统是补桥尝试。其四，监管与伦理空白："黑箱算法"缺乏验证框架，患者个体化mRNA设计的数据隐私与算法问责尚无章可循。

这份综述给mRNA-LNP领域的启示是方法论级别的：AI不是替代湿实验，而是把"海选-试错"改写成"预测-验证"的窄门——6万条虚拟脂质、14900种候选材料、850维表型特征这些数字背后，是研发时间与动物使用的量级压缩。把模型框架从脂质换成聚合物、从mRNA换成siRNA或基因编辑载荷，同一套"数据-特征-预测-验证"逻辑照样成立；而黑箱与数据偏科的破解路径——可解释AI、标准化数据联盟、器官芯片——恰好也为下一个五年的LNP智能设计标好了攻关清单。

◆ 关于纳米医学网（舜纳纳米）

AI设计落地离不开湿实验验证与标准化数据回流。脂质体与LNP递送系统构建、可电离脂质/磷脂-PEG-靶分子偶联物定制合成、粒径电位/PDI/包封率/TEM/ICP-MS表征检测（可反向为AI模型提供训练数据）、活体荧光/MRI成像与体内靶向分布检测、临床前药效与安全性评价——纳米医学网（Sunlipo Biotech，www.med-nanotech.com）以"设计→制备→表征→动物验证"全链条平台，帮助课题组把算法选出的候选配方快速变成体内数据，加速AI-guided LNP从模型到疗效的闭环。

联系我们：021-5127 9909｜sunlipotech@163.com（技术服务）

参考资料：https://doi.org/10.1016/j.apsb.2025.11.029
全文链接：https://pmc.ncbi.nlm.nih.gov/articles/PMC12891898/
声明：仅代表作者个人观点，用于研究用途，如有不科学之处，欢迎留言指正！

◆ 相关产品推荐

本文涉及的核心材料与成品粒：

· 可电离阳离子脂质 SM-102

· DSPE-PEG-Maleimide (MW 2000)

· mPEG-Cholesterol (MW 2000)

· DiO 标记 SM102 LNP-mCherry mRNA

◆ 相关技术服务

以下模块可单独委托，也可按"处方 - 制备 - 表征 - 动物验证"打包推进：

· LNP 递送系统技术服务

· mRNA 纳米递送载体种类及研发策略