《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【图解】

◆ （模式二：逐图走读式）

基本信息
论文题目：Pioneering integration of combinatorial chemistry and machine learning to accelerate the development of tailored LNPs for mRNA delivery
DOI：10.1016/j.apsb.2024.08.032
发表期刊：Acta Pharmaceutica Sinica B（2024;14(11):5079–5081）；解读对象：Nat Mater 2024;23:1002–1008

◆ 图1① Ugi 四组分平台：把造脂质变成"装积木"

再垫一句载体常识：一只完整的 LNP 通常由四类脂质自组装而成——可电离脂质（主角，装载并释放 mRNA）、辅助磷脂（如 DOPE/DSPC，稳定双层结构）、胆固醇（调节膜流动性与稳定性）、PEG-脂质（在表面撑起水化层、防止颗粒聚团并控制粒径）。其中可电离脂质是唯一"量体裁衣"的变量：其余三件相对固定，筛选新 IL 就等于在源头上定制 LNP 的递送谱系。Highlight 的 Fig.1 整张图是一条从左到右的流水线，先看第一步①：可电离脂质经由一锅法四组分反应（4CR）平台快速构建，四类原料——胺、isocyanide（异氰化物，含碳负离子与氮正离子共振结构的特殊试剂，在多组分反应里充当"酰基供体"）、醛、羧酸——同瓶相遇一步组装。垫一句化学常识：Ugi 反应是经典多组分串联反应，原子经济性高、无需催化剂、可在生物相容溶剂中完成，也不需要有机合成里繁琐的保护/脱保护步骤——这三条恰好是"上流水线"的硬门槛，也解释了为何既往能用于脂质高通量合成的化学反应种类如此有限。相比团队此前报道的 3CR 三组分体系，4CR 多一个组件维度，结构多样性指数级扩容，584 个成员的 IL 库就此快速建成。评论也点了一处隐患：为赶通量，这批高通量合成的脂质初筛时未加纯化直接使用，残留杂质可能让 IL 的真实性能被"误读"——快与准的权衡，留给后继的高通量纯化平台去解（图1①）。

◆ 图1② 584 库喂模型：XGBoost 学会"结构-活性"

流水线解决"造得出"，第二步②解决"选得准"：584 只 IL 的化学结构数据连同各自 mRNA 转染结果，作为训练集构建并训练机器学习算法。XGBoost（极端梯度提升，把大量弱决策树按误差逐步加权串成强模型）是表格型化学数据的常胜将军，擅长从中小样本里学出"哪类头基配哪类尾链容易高分"的规律。白话拆一下它的工作方式：第一棵树先粗判断"这类结构行不行"，判错的部分交给第二棵树专项纠错，一层层"补漏"叠加成强模型——相当于让上千个实习评委轮流批改同一份名单，每人只负责挑前人没看走的错。翻译白话：模型读完 584 份"简历+业绩"后，自己总结出了选拔标准——这一步把传统"逐个试错"的筛选变成电脑里的批量打分，耗时与失败率双双塌缩——过去需要几名研究生整年才测得完的候选池，现在一轮推理即可完成排序。Highlight 同时提醒：特征一股脑全喂进传统 ML，噪声信息可能误导推断，模型难以泛化到大规模数据的"未见样本"——这是算法侧的天花板（图1②）。

◆ 图1③ 4 万虚拟库海选：金刚烷"怪结构"杀出 119-23

第三步③是全篇最带感的一幕：40 种胺 × 10 种连接链 × 10 种尾链1 × 10 种尾链2，拼出 40,000 个从未被合成过的虚拟脂质，让训练好的 Boost 模型在电脑里海选高价值分子，并锁定各组分中出现频率最高的前两种最优组合。最终合成的 119-23 结构上"离经叛道"：连接链里塞进一个大体积金刚烷基团（adamantyl——四个环己烷椅式环稠合的笼状饱和烃，形似金刚石晶格碎片，脂溶性强、位阻大），完全跳脱经典可电离脂质的结构模板。翻译白话：过去人类设计师总在"叔胺头+酯键+对称烷基尾"的舒适区里打转，模型却指了一个所有人都没试过的方向——金刚烷塞进连接链， bulky 得"不像"成药结构，分数却最高。机器学习不看"文献里流行什么"，只看"数据里什么高分"——这类反直觉结构正是 AI 筛选的价值所在（图1③）。

◆ 图1④ 实弹对决：肌肉与免疫细胞转染优于 MC3/SM102

算力最终要回到实验台。第四步④：以 119-23 为可电离脂质制备 mRNA-LNP，与两大商业标杆正面对垒——MC3（Alnylam 首款 siRNA-LNP 药物 Onpattro 所用）与 SM102（Moderna Spikevax 疫苗所用）。结果显示：119-23 的 LNP 在多种组织的肌肉细胞与免疫细胞转染中表现优于两者（comparable-to-better，且 Highlight 强调 outperformed），证明"组合化学+ML"链条端到端跑通。同段落评论把镜头拉远：ML 的应用不止预测分子结构——Wang 等收集 22 项研究约 400 个数据点训练模型预测传染病疫苗的 mRNA-LNP 配方；Ding 团队用 572 个 LNP 及其转染效率数据建模型预测新建 LNP 表现。瓶颈依旧是数据量：作者呼吁行业共建覆盖化学结构、粒径/电位/包封率、转染效率与生物功能的综合 LNP 数据集，并预言深度学习是泛化能力升级的正路（图1④）。

◆ 安全性压轴：效力与健康同秤

Highlight 收尾落在临床转化的"一票否决项"：Moderna 与辉瑞/BioNTech 疫苗的人用不良反应——疼痛、肿胀、发热、嗜睡——主要源自 LNP 的高度炎症性，尤其可电离脂质本身。机制上可补一句：可电离脂质在内体里质子化带正电，才能撑膜释放 mRNA，但这份"破膜之力"正是炎症刺激的双刃剑——电荷越强，对细胞膜的扰动与先天免疫激活往往越烈。未来 IL 的理性设计必须效力与安全并举，天平两端同稳，更多 mRNA 疗法才能走进临床、拿到监管批准。119-23 的组织选择性递送若要兑现价值，炎症负担这道题同样要答好。

◆ 研究总结

被解读工作用一条"Ugi 4CR 高通量合成→584 IL 库训练 XGBoost→4 万虚拟库海选→119-23 合成验证"的闭环，证明组合化学与机器学习联姻能把可电离脂质开发从手工业推进到流水线：新分子在多种组织肌肉与免疫细胞的 mRNA 转染中胜过 MC3 与 SM102，还带来了含金刚烷连接链的反直觉结构洞见。评论侧的清醒同样重要：未纯化初筛引入杂质干扰、传统 ML 受小数据集与特征噪声制约、行业级高质量 LNP 数据仍是稀缺品——下一步属于深度学习与共建数据集。换一个反应平台、换一组目标读数，同一"合成-学习"框架可平移到蛋白、小核酸与基因编辑载体的脂质开发——数据的飞轮一旦转起来，就是整个核酸递送行业的故事。

◆ 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、mRNA 转染效率与体内靶向分布评价，一站式覆盖"设计→制备→表征→动物验证"全链条。

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.2024.08.032
解读对象原文：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

· DSPC（二硬脂酰磷脂酰胆碱）

· 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

· 药物释放与体外动力学检测

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