[论文解读] 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 12

一句话总结

论文开发 ML 模型从化学结构预测 LNP 转染效率，证明经过专家设计的指纹特征搭配 ML 分类器在未见设计上也能达到高精度，从而实现对用于 mRNA 递送的 LNP 候选设计在体外筛选前的计算优先级排序。

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.

研究动机与目标

• 动机：使用 ML 优化用于 mRNA 递送的脂质纳米粒子（LNP）设计。
• 创建并整理一个带有转染效率标签的 LNP 数据集，以用于 ML 建模。
• 评估分子表示与 ML 分类器以预测转染效率。
• 证明通过计算筛选来优先考虑 LNP 设计以供实验验证的可行性。

提出的方法

• 将 LNP 设计表述为二元分类任务：从四种分子组分及其比例预测转染效率。
• 开发两种分子表示：基于化学领域知识的专家指纹，以及来自 Grover 的神经指纹（基于 GNN）。
• 用独热编码对组分比例进行编码，并将组分表示拼接起来。
• 训练并比较分类器（SVM、随机森林、XGBoost、MLP），以 AUROC 作为评估指标。
• 从已发表的研究中整理 622 个 LNP 数据集，并按约 8/1/1 分成训练/验证/测试集。
• 在不同指纹类型和分类器上评估性能，并在验证集和测试集报告 AUROC。

实验结果

研究问题

• RQ1 ML 模型是否能够基于化学结构与组成数据准确预测 LNP 的转染效率？
• RQ2 基于领域知识的专家指纹在本任务中是否比来自图神经网络的神经指纹表现更好？
• RQ3 在未见设计上预测 LNP 效用的最佳指纹类型与分类器组合是什么？
• RQ4 是否有证据表明以 ML 指导的设计可以有效地为实验验证优先排序 LNP 候选？

主要发现

• ML 模型在未见设计上可以以高准确度预测 LNP 转染效率。
• 使用专家指纹的 MLP 在验证/测试划分上达到最高的测试 AUROC 0.9815。
• 专家指纹（基于领域知识）具有足够的预测力，而 Grover 神经指纹并未持续超越它们。
• 在多次实验中，使用专家指纹的若干分类器的测试 AUROC 均超过 0.95。
• 从已发表的研究中整理的 622 个带转染标签的 LNP 数据集并可公开获得以便复现。