《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【图解】

图1/图2 交汇的时间线：AI与纳米药的两条曲线在mRNA时代合流
综述开场先给两条技术曲线排座次。AI一侧：1943年McCulloch-Pitts提出阈值人工神经元，奠定神经计算的数学地基；1950年代至1970年代中期，自然语言处理带动机器学习第一波黄金期；1990年代至21世纪初，集成学习与核方法让高维分类的泛化能力脱胎换骨，随后特征工程与超参数优化接力。纳米药一侧：1959年Feynman那场著名的"底部还有大把空间"演讲被追认为纳米技术概念起点，1974年Taniguchi正式命名nanotechnology，1980年代脂质体率先担当药物载体、1995年Doxil拿下首个FDA纳米药批件，2018年Onpattro把LNP送上临床。时间线在新冠疫情期间骤然咬合：两款SARS-CoV-2 mRNA疫苗+一款RSV mRNA疫苗验证了LNP平台，而预测纳米颗粒-蛋白冠相互作用、智能优化球形核酸、AI设计LNP疫苗等任务，宣告纳米材料发现进入"机器增强分子信息学"的加速档。翻译成白话：一边是算力和算法攒了八十年的家底，一边是LNP临床化刚打开的场景缺口，两者相遇是迟早的事——这篇综述就是相遇现场的全景记录（图2）。

图3 设计关键流程：酚基的"重要性0.297"与pKa的6.0-7.0窗口
AI-guided设计怎么落地？图3给出三个案例环环相扣。先看可电离脂质——LNP的心脏，生理pH下不带电、低毒，钻进酸性内涵体就质子化变阳离子、撕开逃逸出口。Li等用组合化学库+机器学习赛马：XGBoost在二分类任务中拿下PR曲线0.987、ROC 0.983，远超随机森林与逻辑回归，据此从大化学库锁定新脂质119-23，其mRNA递送效率反超商用MC3与SM-102。Bae等则从213个LNP的314个特征（可电离脂胺基与核酸磷酸基之比、各脂摩尔比与分子量等）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个特征配置最优：R²=0.708、Pearson相关0.845；SHAP特征重要性分析（源自博弈论的公平分账法，量化每个特征对模型预测的贡献）直接指出酚基是头号功臣——得分0.297，其羟基与mRNA作用、兼顾效率与稳定。pKa一侧，Wang等用LightGBM（一种高效梯度提升树）建pKa模型，Recall 0.86、ACC 0.90优于RF，筛出的LQ089递送效率高于MC3、媲美SM-102；规律也清晰：有效递送大多落在pKa 6.0–7.0。分子动力学模拟补最后一块拼图：Gao等模拟中性缓冲液里LNP自组装，包封率随N/P比（氮磷比）上升，N/P=6时核酸完全包裹。三条线索合读——选头基、调pKa、控配比，AI把曾经靠老师傅手感的三个旋钮全部数据化（图3）。

图4 靶向理解工作流：从"进肝玄学"到可预测的器官选择
LNP打进血管后去哪，能不能预测？综述画出一条标准流水线：先把LNP表征数据与蛋白冠数据集组织起来，训练多个机器学习模型，预测颗粒性质与冠组成，再映射到器官靶向，用SHAP识别关键特征，最后回到实验验证被选中的LNP。蛋白冠是这条链的物理核心：颗粒一入血，血浆蛋白立刻在其表面吸附成动态生物分子层，循环半衰期、免疫逃逸、组织分布全被它改写。传统靠质谱+体外模拟表征，通量低、跨物种波动大、跟不上冠的动态演化；AI方案把纳米颗粒理化描述符（粒径、zeta电位、疏水性）、蛋白互作组与多组学资料喂进模型，图神经网络可对指定生理条件下冠组成做概率建模，强化学习则能"反向工程"表面修饰策略——让颗粒优先吸附载脂蛋白、转铁蛋白这类"带路蛋白"。小粒径易穿透内皮借EPR效应（肿瘤渗漏血管的被动富集）靶向肿瘤，大粒径被单核吞噬系统收入肝肾——这些经验规则正在被模型逐条量化（图4）。

图5 证据密度上升：652条冠数据与850维细胞表型
看图5的两组实打实数字。其一，652条纳米颗粒-蛋白冠数据入模：8个定性特征（颗粒类型、形状、是否未修饰）+13个定量特征（分散介质pH、zeta电位、PDI、孵化血浆浓度等），RF+十折交叉验证，结果"未修饰与否"与"表面修饰"是决定冠形成的两大权重项；对免疫蛋白、补体蛋白、载脂蛋白的相对丰度（RPA）预测R²多在0.75以上，还成功预测了冠介导的巨噬细胞识别与细胞因子释放，并有实验验证背书。多任务版本把问题拆成两步：先以极端随机树/随机森林做"吸附/不吸附"分类，再用GBDT等回归丰度，SHAP显示孵化蛋白来源与离心温度同样关键——质控细节也被模型捕获。其二，Hunter等的高内涵成像+机器学习：对siRNA或化合物处理的细胞群提取850维表型特征（细胞密度、核质比、亚细胞标记的空间荧光分布），RF/GBDT/KNN三架构训练出总准确率74–81%、分类准确率66–75%的预测器，锁定核膜曲率动态、核周70 kDa葡聚糖阳性囊泡拓扑重组等10个高影响特征。翻译成白话：一张"细胞长得什么样"的照片，在AI眼里是850个可计算的特征向量，而哪些LNP能高效进细胞，就藏在这850维空间的可分性里（图5）。

图6 终点是表达与免疫：AGILE筛出H9与R6，双刃剑有了刻度
递送的终极读数是目标组织里蛋白表达有多高。Xu等的AGILE平台（AI引导可电离脂质工程）是全场明星：60000条虚拟脂质做自监督预训练（让模型先"读遍化学书"），再用高通量湿实验数据监督微调（"带薪实习"），最后预测候选库——筛出肌肉递送优选H9、巨噬细胞转染优选R6，一个模型交付两种器官答案，皮内/肌注0.5 mg/kg的IVIS成像给出实验闭环。免疫端是全文最"双刃剑"的部分：疫苗需要LNP当佐剂（激活辅助T、推动体液免疫），治疗又怕它点火（注射部位乃至全身炎症）。Bae等用RF分析多个脂质参数与免疫应答：酚羟基数量与总IgG和炎症因子水平密切相关，LNP免疫强度与"酯桥+尾链"长度负相关——链越长越温和；Wang等以LightGBM预测mRNA疫苗IgG滴度，N/P比6:1常对应更高递送与抗原表达；深度学习还能从转录组/蛋白组挖炎症标志物，指导把IL-6、TNF-α、IFN-γ压下去的同时保住效率。设计杠杆第一次有了可计算的刻度（图6）。

研究总结
这篇综述把AI-guided mRNA-LNP研发整理成一条完整链路：脂质结构筛选（XGBoost/PR 0.987找到119-23）、表性参数预测（XGBoost响应>94%、pKa 6.0–7.0窗口、LightGBM筛出LQ089）、器官靶向与蛋白冠建模（652条冠数据R²>0.75、850维表型特征74–81%准确率）、体内命运与免疫调节（AGILE 6万脂质预训练、酚羟基/酯桥尾链两把设计杠杆）。它同时亮出四块警示牌：模型黑箱解释不足、训练数据被SM-102与小鼠主导的系统性偏科、体外预测与体内现实的断层、监管与伦理框架空白——而可解释AI、标准化数据联盟、类器官/器官芯片混合预测，正是下一程的路标。换一个载荷（siRNA、基因编辑）、换一个聚合物家族，这套"数据-特征-预测-验证"框架照样跑得通；mRNA-LNP的智能设计时代，已经开场。

◆ 关于纳米医学网（舜纳纳米）

AI模型的价值最终取决于湿实验数据的质量与速度。纳米医学网（Sunlipo Biotech，www.med-nanotech.com）的脂质体与LNP递送系统构建、可电离脂质与磷脂-PEG-靶分子偶联物定制合成、粒径电位/PDI/包封率/TEM/ICP-MS标准化表征、活体荧光/MRI成像与体内器官分布检测、临床前药效与安全性评价，恰好构成AI-guided LNP研发"设计→制备→表征→动物验证"闭环的实验底座——算法圈出的候选，我们帮你快速变成可训练、可发表、可申报的体内数据。

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

· LNP-mRNA 疫苗量产与工艺放大

· 活体荧光成像与体内靶向分布

· 临床前药效评价（移植瘤/原位/PDX）

上海舜纳生物科技有限公司 纳米医学技术研发中心  Sunlipo Biotech Research Center for Nanomedicine

邮箱：sunlipotech@163.com（技术服务） info@med-nanotech.com（应用开发）

电话：86-21-5127 9909  传真：86-21-5193 6393

www.med-nanotech.com