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疗法递送系统方面的潜力。
研究团队专注于通过神经网络（LiON）优化脂质纳米颗粒（LNPs），这是一种基于深度学习的新方法，旨在解决肺部基因疗法中的持久性挑战。目标是实现安全高效的治疗剂向肺组织的递送，这是推进呼吸系统疾病治疗方法的一大障碍。
基因疗法及肺部递送的挑战
基因疗法是一种有前途的遗传性疾病治疗方法，如囊性纤维化，通过将治疗基因递送到细胞来恢复其功能。然而，有效递送到肺部尤其具有挑战性，因为人体对异物粒子的天然防御机制。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。
脂质纳米颗粒（LNPs）的潜力
脂质纳米颗粒（LNPs）已成为一种强大的解决方案。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的同时提高稳定性和生物利用度的潜力。然而，设计能够靶向肺组织的LNPs仍然复杂。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，这是一种深度学习模型，旨在根据LNPs的化学组成预测其递送核酸的能力。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，以训练模型。
使用图形神经网络，LiON分析了LNPs的化学特性，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，并通过整合大量数据集增强了设计过程，从而比传统方法提供更准确的预测。
关键发现：增强基因递送
研究表明，LiON准确预测了LNPs的mRNA递送潜力。一个关键发现是鉴定出RJ-A30-T01，这是一种递送mRNA到肝脏的脂质，其效率是之前最佳脂质的九倍。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160万个计算机生成的LNPs，以确定适合肺部基因疗法的候选物。其中，脂肪寡聚体32（FO-32）和FO-35是最有前景的脂质。严格的测试表明，它们在各种递送途径中表现出色，包括肌肉内、鼻内和气管内方法。
在雪貂（一种肺部研究的常用模型）的临床前测试中，证实了FO-32和FO-35能够有效地将mRNA递送到肺泡和导气道。这些结果突显了深度学习在设计LNPs方面的有效性，表明整合多样化的数据集可以发现新型脂质化学成分。
基因疗法的影响
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模型还可以应用于其他领域的基因疗法优化，如癌症和遗传性疾病治疗。
将深度学习与生物技术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。
未来展望
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也将有助于完善像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，这项研究不仅改善了LNPs的设计，还为基因疗法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。
杂志参考
使用人工智能开发肺部基因疗法。《自然生物技术》（2024）。DOI: 10.1038/s41587-024-02491-x,
(全文结束)
