[論文レビュー] Machine Learning-guided Lipid Nanoparticle Design for mRNA Delivery

Daisy Yi Ding, Yuhui Zhang+2 more|arXiv (Cornell University)|Aug 2, 2023

RNA Interference and Gene Delivery被引用数 12

ひとこと要約

本論文は化学構造からLNP（脂質ナノ粒子）のトランスフェクション効率を予測する機械学習モデルを開発し、専門家が設計したフィンガープリントとML分類器が未知デザインで高精度を達成できることを示し、mRNAデリバリのためのLNP候補のインシリコ優先順位付けを可能にする。

ABSTRACT

While RNA technologies hold immense therapeutic potential in a range of applications from vaccination to gene editing, the broad implementation of these technologies is hindered by the challenge of delivering these agents effectively. Lipid nanoparticles have emerged as one of the most widely used delivery agents, but their design optimization relies on laborious and costly experimental methods. We propose to in silico optimize LNP design with machine learning models. On a curated dataset of 622 LNPs from published studies, we demonstrate the effectiveness of our model in predicting the transfection efficiency of unseen LNPs, with the multilayer perceptron achieving a classification accuracy of 98% on the test set. Our work represents a pioneering effort in combining ML and LNP design, offering significant potential for improving screening efficiency by computationally prioritizing LNP candidates for experimental validation and accelerating the development of effective mRNA delivery systems.

研究の動機と目的

• mRNAデリバリのための脂質ナノ粒子（LNP）設計を最適化するために、MLの活用を動機づける。
• transfection efficiencyラベルを持つLNPのデータセットを作成・整理し、MLモデリングに用いる。
• 分子表現とML分類器を評価し、トランスフェクション効率を予測する。
• 実験的検証の優先順位付けのためのインシリコスクリーニングの実現可能性を示す。

提案手法

• LNP設計を、4つの分子成分とそれらの比からトランスフェクション効率を予測する2値分類タスクとして定式化する。
• 化学領域知識に基づく専門家フィンガープリントとGrover（GNNベース）由来のニューラルフィンガープリントの2つの分子表現を開発する。
• 成分比をone-hotエンコーディングで符号化し、成分表現を連結する。
• AUROCを評価指標として、SVM、Random Forest、XGBoost、MLPを用いて学習・比較する。
• 公開研究から622個のLNPデータセットを作成し、訓練/検証/テストに分割する（おおよそ8/1/1）。
• フィンガープリントタイプと分類器を横断して性能を評価し、検証セットとテストセットのAUROCを報告する。）

実験結果

リサーチクエスチョン

• RQ1 化学構造と組成データから、MLモデルはLNPのトランスフェクション効率を正確に予測できるか。
• RQ2 このタスクにおいて、ドメイン知識に基づく専門家フィンガープリントは、グラフニューラルネットワーク由来のニューラルフィンガープリントより優れているか。
• RQ3 未知デザインでのLNP有効性予測に最適なフィンガープリントタイプと分類器の組み合わせは何か。
• RQ4 ML主導の設計が実験検証のためのLNP候補を意味のある優先順位付けに寄与する証拠はあるか。

主な発見

分類器	専門家 FP	ニューラル FP	検証 AUC	テスト AUC
SVM	✓	✗	0.9092	0.9614
SVM	✗	✓	0.9333	0.9627
SVM	✓	✓	0.9518	0.9654
SVM	✓	Large	0.9219	0.9481
	✓	✗	0.9326	0.9521
Random	✗	✓	0.9361	0.9208
Forest	✓	✓	0.9255	0.9215
XGBoost	✓	✗	0.9660	0.9468
XGBoost	✗	✓	0.9489	0.9348
XGBoost	✓	✓	0.9560	0.9402
MLP	✓	✗	0.9617	0.9815
MLP	✗	✓	0.9300	0.8892
MLP	✓	✓	0.9383	0.9169
MLP	✓	Large	0.9533	0.9508

• MLモデルは未知デザインで高い精度でLNPのトランスフェクション効率を予測できる。
• 専門家フィンガープリントを用いたMLPが、検証/テスト分割で最高のテストAUROC0.9815を達成。
• 専門家フィンガープリント（ドメインベース）は十分に予測可能で、Groverニューラルフィンガープリントは一貫して上回らない。
• 実験全体を通じて、専門家フィンガープリントを使用するいくつかの分類器がテストAUROCを0.95以上に達している。
• transfectionラベル付きの622個のLNPデータセットは公開研究から作成され、再現性のために公開されている。