《APSB》Highlight：组合化学+机器学习造脂质——华西医院团队解读可电离脂质119-23，超越MC3与SM102的新路径【详读】

◆ 一、（模式一：小节标题叙述式）

◆ 二、Ugi 反应一锅四配：584 只脂质"流水线下线"

先垫一句化学常识：Ugi 反应是 1959 年发现的多组分"经典一锅煮"——胺、异氰化物、醛、羧酸四样原料在瓶中相遇，经亚胺形成、质子转移、酰基迁移几步串连，直接拼成二酰胺类产物，原子经济性高、副产物少。把它"改装"成脂质合成平台，等于用一套成熟可靠的反应把"造分子"变成"装积木"。

被解读研究的第一步，是把化学合成从手工作坊改成流水线。Li 团队基于 Ugi 反应搭建了一锅法四组分反应（4CR）平台：胺、异氰化物、醛、羧酸四类原料在同一反应体系里一步组装出可电离脂质。相比团队此前报道的三组分体系（3CR），四组分的组合自由度呈指数级扩容——同一套化学模块，换不同的"零件"就得到结构迥异的脂质。更妙的是反应条件：无需催化剂、无需繁琐的保护/脱保护步骤、可在生物相容性溶剂中进行——这三条正是高通量合成的硬性门槛，也解释了为什么既往只有少数几种化学反应能"上流水线"。平台搭好后，一支化学多样性达 584 个成员的 IL 库快速建成，为机器学习备下了训练数据。评论文章同时点出一个隐患：为赶通量，这 584 只脂质（含本研新合成者）在初筛时均未纯化直接使用——未除去的杂质可能干扰 IL 真实性能的评估，提醒后来者"快"与"准"需要兼得；发展新型多组分反应与高通量纯化平台，是下一段提速空间（图1①）。

◆ 三、机器学习当"选秀评委"：4 万虚拟库海选出 119-23

几百只候选脂质逐一做细胞实验，传统策略耗时、耗力、还容易与好苗子擦肩而过。Li 团队把机器学习引入筛选：以 584 只 IL 的化学结构数据+各自的 mRNA 转染表现作为训练集，构建并训练 XGBoost 算法（梯度提升决策树，擅长从中小规模表格数据学出"结构-活性"规律）。模型就位后，团队构造了一个 40,000 成员的虚拟脂质库——40 种胺 × 10 种连接链 × 10 种尾链1 × 10 种尾链2 的全组合——让训练好的 Boost 模型在电脑里"海选"高价值脂质，并锁定出现频率最高的前两种最优组分组合。翻译白话：模型看完 584 条"简历"后，学会了什么样的头基-连接链-尾链搭配容易考高分，于是给 4 万个"没做过实验的候选人"逐个打分排名。最终合成的新分子 119-23 不负众望：装载 mRNA 后，在多种组织的肌肉细胞与免疫细胞转染中表现优于两个商业标杆——MC3（Alnylam 的 Onpattro 首款 siRNA-LNP 药物所用）与 SM102（Moderna Spikevax 疫苗所用），而 119-23 的连接链里带着一个大体积金刚烷基团（adamantyl——由四个环己烷椅式环稠合而成的笼状饱和烃结构，形似金刚石晶格碎片，脂溶性高、空间位阻大），跳出了经典 IL 的结构套路——机器学习的"审美"与人完全不同，恰是这类非直觉结构最有价值之处（图1②③）。

◆ 四、配方与数据：ML 的另一半战场

评论文章把视野从"分子"拉到"体系"：机器学习能预测的不仅是 IL 结构，还有 LNP 配方与药效。Wang 等曾收集 22 项研究的约 400 个数据点训练模型，预测面向传染病疫苗的 mRNA-LNP 配方；Ding 团队构建 572 个 LNP 及其 mRNA 转染效率数据集，开发模型预测新建 LNP 的转染表现。这些工作证明了 ML 提升 LNP 筛选效率的潜力，但一个共同短板暴露无遗：可用数据量远不够训练需求——大规模、高质量数据是 LNP 等生物医学 AI 应用的真正瓶颈。且本研究的 XGBoost 属传统机器学习、基于小规模数据集训练：全部特征一股脑喂进模型，特征中的噪声会误导推断，模型难以泛化到大规模数据集中的"未见样本"。作者呼吁研究者共建涵盖化学结构、粒径/电位/mRNA 包封率等理化性质、转染效率与生物功能的综合 LNP 数据集；并预言基于深度学习的模型是提升泛化能力的下一步（图1④）。

◆ 五、安全性一票否决权：效力与健康必须同秤

Highlight 的最后落点不在效率而在临床：mRNA 纳米药要转化，安全性与效力同权重。Moderna 与辉瑞/BioNTech 疫苗的不良反应报告（疼痛、肿胀、发热、嗜睡等）主要与 LNP 的高度炎症性相关，尤其可电离脂质本身。未来 IL 的理性设计必须效力-安全并举——只有天平两端同时站得住，更多 mRNA 疗法才能进入临床、拿到监管批准。这句提醒也与 119-23 的定位呼应：它在肌肉与免疫细胞的"选择性转染"若能伴随更低炎症负担，才真正具备替换 MC3/SM102 的资格。

这篇 Highlight 以清晰的技术脉络复盘了"组合化学+机器学习"加速 LNP 定制的完整闭环：Ugi 4CR 平台保证"造得出、造得快"，584 库提供训练燃料，XGBoost 在 4 万虚拟库中锁定非直觉结构 119-23，体内外评测对标商业标杆。其可迁移性想象在于：同一"反应平台+模型"框架换个反应体系、换组目标读数，即可平移到递送蛋白、小核酸乃至基因编辑试剂的脂质开发；而当行业级 LNP 大数据集建成之日，就是深度学习"设计-合成-测试-学习"（DBTL）闭环真正跑通之时。开发新 IL 的瓶颈，正在被算法与流水线的组合拳凿穿。

◆ 关于纳米医学网（舜纳纳米）

纳米医学网（Sunlipo Biotech，www.med-nanotech.com）是生物纳米医工技术服务平台，与本文议题对口的能力包括：脂质体与LNP递送系统构建（可电离脂质筛选与处方优化）、mRNA/小核酸药物原料，以及粒径电位/TEM/ICP-MS表征检测与 mRNA 转染效率、体内靶向分布评价，一站式覆盖"设计→制备→表征→动物验证"全链条。想为你的 mRNA 建株配一支趁手的 LNP，不必从零搭平台。

联系我们：021-5127 9909｜sunlipotech@163.com（技术服务）
官网：https://www.med-nanotech.com

参考资料：https://doi.org/10.1016/j.apsb.2024.08.032
解读对象：Li et al. Nat Mater 2024;23:1002–1008, https://doi.org/10.1038/s41563-024-01867-3
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！

（本文配图缺失，发布时需从原文 https://doi.org/10.1016/j.apsb.2024.08.032 手动截图 Fig.1）

◆ 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

· 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