[논문 리뷰] Machine Learning-guided Lipid Nanoparticle Design for mRNA Delivery

Daisy Yi Ding, Yuhui Zhang외 2명|arXiv (Cornell University)|2023. 08. 02.

RNA Interference and Gene Delivery인용 수 12

한 줄 요약

The paper develops ML models to predict LNP transfection efficiency from chemical structures, demonstrating that expert-crafted fingerprints with ML classifiers can achieve high accuracy on unseen designs, enabling in silico prioritization of LNP candidates for mRNA delivery.

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.

연구 동기 및 목표

• ML을 사용해 mRNA 전달용 LNP 설계를 최적화하도록 동기를 부여한다.
• ML 모델링을 위한 트랜스펙션 효율 레이블이 부여된 LNP 데이터셋을 생성하고 큐레이션한다.
• 트랜스펙션 효율을 예측하기 위해 분자 표현과 ML 분류기를 평가한다.
• 실험적 검증을 위한 LNP 설계의 인실리코 우선순위를 시연한다.

제안 방법

• LNP 설계를 네 가지 분자 구성요소와 그 비율로부터 트랜스펙션 효율을 예측하는 이진 분류 문제로 형식화한다.
• 화학 도메인 지식을 바탕으로 한 전문가 지문과 Grover(GNN 기반)에서 나온 신경망 지문의 두 가지 분자 표현을 개발한다.
• 구성요소 비율을 원-핫 임베딩으로 인코딩하고 구성요소 표현을 연결(concatenate)한다.
• AUROC를 평가 지표로 사용하여 SVM, Random Forest, XGBoost, MLP를 학습하고 비교한다.
• 발표된 연구들에서 622개의 LNP 데이터셋을 큐레이션하고 학습/검증/테스트로 분할한다(대략 8/1/1).
• 지문 유형과 분류기에 따른 성능을 평가하고 검증 집합과 테스트 집합의 AUROC를 보고한다.

실험 결과

연구 질문

• RQ1 화학 구조와 구성 데이터로부터 ML 모델이 LNP 트랜스펙션 효율을 정확하게 예측할 수 있는가?
• RQ2 이 작업에서 도메인 지식 기반의 전문가 지문이 그래프 신경망으로부터 얻은 신경망 지문보다 더 나은가?
• RQ3 보지 않은 설계에서 LNP 효과를 예측하기 위한 최적의 지문 유형과 분류기의 조합은 무엇인가?
• RQ4 ML 가이드 설계가 실험적 검증을 위한 LNP 후보를 의미 있게 우선순위화할 수 있다는 증거가 있는가?

주요 결과

• ML 모델은 보지 않은 설계에서 LNP 트랜스펙션 효율을 높은 정확도로 예측할 수 있다.
• MLP와 expert fingerprints가 검증/테스트 분할에서 가장 높은 테스트 AUROC 0.9815를 달성한다.
• Expert fingerprints (domain-based) are sufficiently predictive, while Grover neural fingerprints do not consistently outperform them.
• Across experiments, several classifiers using expert fingerprints reach test AUROCs above 0.95.
• Dataset of 622 LNPs with transfection labels was curated from published studies and is publicly available for reproducibility.