最近发表在《自然生物技术》杂志上的一项研究中，研究人员探讨了人工智能（AI）技术在改善用于肺部疾病的基因治疗递送系统方面的潜力。
研究团队专注于通过神经网络（LiON）进行脂质优化，以优化脂质纳米颗粒（LNPs）。这是一种基于深度学习的新方法，旨在解决肺部基因治疗中的持续挑战。目标是实现安全高效的治疗剂向肺组织的递送，这是推进呼吸道疾病治疗方法的一个长期障碍。
基因治疗和肺部递送的挑战
基因治疗是一种有前途的遗传性疾病治疗方法，如囊性纤维化，其原理是将治疗基因递送到细胞中以恢复其功能。然而，实现有效的肺部递送特别具有挑战性，因为人体对异物颗粒有天然的防御机制。传统的递送方法往往无法平衡安全性和效率，这也是目前尚无FDA批准的肺部基因疗法的原因之一。
相关报道
脂质纳米颗粒（LNPs）已经作为一种强大的解决方案出现。它们在COVID-19疫苗中成功递送mRNA的能力展示了其在跨细胞膜运输遗传物质方面的潜力，同时提高了稳定性和生物利用度。然而，设计能够靶向肺组织的LNPs仍然很复杂。它们的化学组成在决定递送效率方面起着关键作用，因此需要更好的设计策略。
LiON方法：AI优化LNPs
为了解决这一问题，研究人员开发了LiON，这是一种基于深度学习的模型，旨在根据LNPs的化学组成预测其递送核酸的能力。研究团队编制了一个包含超过10,000种LNP配方的数据集，包括多种结构和递送货物，以训练该模型。
使用图神经网络，LiON分析了LNPs的化学性质，以识别和排名潜在的脂质候选物。这种由AI驱动的策略减少了人为偏见，通过整合大型数据集增强了设计过程，从而比传统方法提供了更准确的预测。
主要发现：增强基因递送
研究表明，LiON能够准确预测LNPs的mRNA递送潜力。一个关键发现是识别出RJ-A30-T01，这是一种递送mRNA到肝脏的脂质，其效率比之前最佳的脂质高九倍。这一改进突显了深度学习在发现有效脂质配方方面的潜力。
研究人员还合成了并测试了超过160万个通过计算机生成的LNPs，以识别适用于肺部基因治疗的候选物。在这其中，脂肪寡聚体32（FO-32）和FO-35被认为是最有前景的脂质。严格的测试表明，它们在各种递送途径（包括肌肉内、鼻内和气管内方法）中表现出出色的mRNA递送能力。
在作为肺部研究良好模型的雪貂中进行的临床前测试确认，FO-32和FO-35能够有效地将mRNA递送到肺泡和传导气道。这些结果突显了深度学习在设计LNPs方面的有效性，表明结合多样化的数据集可以发现新的脂质化学成分。
对基因治疗的影响
这项研究为治疗囊性纤维化等肺部疾病开辟了新的可能性，直接递送治疗基因可以显著改善治疗效果。除了肺部应用外，LiON模型还可以应用于优化其他领域的基因治疗，例如癌症和遗传性疾病的治疗。
将深度学习与生物技术相结合，标志着克服递送挑战和设计更安全、更有效疗法的重要一步。
展望未来
尽管这些发现令人鼓舞，但研究人员强调需要在更高级的模型（如灵长类动物）中进行进一步测试，以确认FO-32和FO-35的安全性和有效性，然后再进入临床试验。生成高质量的体内数据还将有助于完善像LiON这样的预测模型，提高其准确性并扩展其用途。
通过将机器学习与生物技术相结合，这项研究不仅改进了LNPs的设计，还为基因治疗的未来奠定了坚实的基础。随着这些方法的发展，它们有望提供更好的治疗选择，改善患者预后，并推动治疗开发的边界。
期刊参考
使用人工智能开发肺部基因治疗。《自然生物技术》（2024）。DOI: 10.1038/s41587-024-02491-x,
(全文结束)
