“可离子化脂质纳米粒（LNPs）在mRNA递送领域得到广泛应用，特别是在SARS-CoV-2 mRNA疫苗中。然而，mRNA疗法在COVID-19之外的扩展受到缺乏适用于多种细胞类型的LNPs的阻碍。因此，开发一种能够针对不同细胞类型量身定制的LNPs显得尤为重要。

本文介绍了一种名为AGILE（AI引导的可离子化脂质工程）的平台，该平台结合深度学习与组合化学，旨在加速mRNA递送用脂质纳米粒（LNPs）的开发。AGILE平台通过高效的库设计、基于深度神经网络的计算筛选，以及对多种细胞系的适应性，简化了可离子化脂质的开发流程。”

图一、AI平台训练流程

在构建AGILE平台的过程中，我们首先开发了一个包含大量虚拟脂质分子的数据库，并利用自监督学习算法对这些分子进行了初步的训练。这一步骤旨在让模型学习脂质分子的基本结构和物理化学性质，为后续的预测任务奠定基础。随后，我们利用高通量实验技术合成了1200种实际的离子化脂质，并测定了它们在特定细胞系（如HeLa细胞）中的mRNA转染效率。这些数据被用来对AGILE模型进行进一步的监督微调，以提高其预测准确性。

在模型训练过程中，我们采用了交叉验证的方法来评估模型的性能。具体来说，我们将数据集分为训练集和验证集两部分，其中训练集用于训练模型，而验证集则用于评估模型的预测准确性。通过多次迭代训练和调整模型参数，我们最终得到了一个具有较高预测准确性的AGILE模型。该模型能够准确预测不同离子化脂质在特定细胞系中的mRNA转染效率，为后续的实验筛选提供了有力的支持。

图二、新型阳离子脂质的筛选和AI训练

利用训练好的AGILE模型，我们对虚拟候选库中的离子化脂质进行了预测，旨在筛选出具有潜在高转染效率的脂质分子。在预测过程中，我们采用了多种指标来评估脂质的性能，包括转染效率、细胞毒性、稳定性等。通过综合考虑这些指标，我们成功筛选出了一批具有优异性能的离子化脂质候选物。

为了进一步验证AGILE模型的预测准确性，我们选择了部分预测性能较好的离子化脂质进行了实验验证。具体来说，我们利用脂质纳米粒（LNP）制备技术将这些脂质分子包裹在LNP中，并在HeLa细胞中进行了体外转染实验。实验结果显示，AGILE模型预测的转染效率与实验测得的转染效率高度一致，验证了模型的预测准确性。此外，我们还发现了一些在实验验证中表现出优异性能的离子化脂质，如H9等，这些脂质有望成为新一代mRNA递送系统的候选材料。

图三、AI模型的预测和体内效果验证

在进一步的研究中，我们发现AGILE模型不仅能够预测离子化脂质在特定细胞系中的转染效率，还能够揭示离子化脂质对细胞的特异性偏好。通过对比不同细胞系中转染效率最高的离子化脂质，我们发现了一些具有细胞特异性的脂质分子。这些分子在某些细胞系中表现出极高的转染效率，而在其他细胞系中则表现平平。这一发现为针对不同细胞类型进行定制化的离子化脂质开发提供了可能。

为了验证AGILE模型在体内实验中的预测准确性，我们选择了部分预测性能较好的离子化脂质进行了动物实验。具体来说，我们将这些脂质分子包裹在LNP中，并通过肌肉注射的方式将其递送到小鼠体内。然后，我们测定了小鼠体内mRNA的递送效率和表达水平。实验结果显示，AGILE模型预测的体内转染效率与实验测得的结果高度一致，进一步验证了模型的预测准确性。此外，我们还发现了一些在体内实验中表现出优异性能的离子化脂质，这些脂质有望成为新一代体内mRNA递送系统的候选材料。

图四、AI平台加速体外细胞特异性递送系统开发

为了理解AGILE模型如何预测离子化脂质的mRNA转染效率，我们采用了基于梯度的模型解释方法。这种方法通过计算模型预测值对输入分子描述符的梯度，来评估每个描述符对预测结果的影响程度。我们选择了在HeLa细胞中预测转染效率最高的几种脂质，分析了它们的关键分子特征。结果显示，特定的分子描述符，如脂质的电荷分布、极性表面积和疏水性等，对模型的预测结果具有显著影响。这些描述符不仅反映了脂质分子的物理化学性质，也与其在细胞内的转染效率密切相关。

为了验证AGILE模型的预测准确性，并探索不同离子化脂质之间的关系，我们构建了相似性网络。该网络基于离子化脂质的分子描述符计算它们之间的相似度，并将相似度高的脂质连接起来。我们选择了在HeLa细胞中预测转染效率最高的15种脂质进行网络分析。结果显示，高效LNP H9不仅与具有相同头基团的LNP（如H7、H8）紧密相连，还与其他高性能候选物（如H12、H13）存在关联。这表明AGILE模型在预测离子化脂质性能时，能够捕捉到脂质分子之间的内在联系和相似性。

为了更深入地理解AGILE模型的预测机制，我们对预测性能最佳的离子化脂质H9进行了分子层面的解释。我们利用图编码器对H9的分子结构进行了可视化分析，并识别出了影响模型预测的最显著区域。结果显示，H9分子中的特定官能团和原子排列方式对其转染效率具有重要影响。这些官能团和原子排列方式不仅与脂质的物理化学性质密切相关，还与其在细胞内的相互作用和转染机制有关。

为了验证AGILE模型的预测准确性，我们进行了实验验证。我们选择了在HeLa细胞中预测转染效率较高的几种脂质，包括H9，并制备了相应的LNP。然后，我们在HeLa细胞中进行了体外转染实验，并测量了mRNA的递送效率。结果显示，实验测得的转染效率与AGILE模型的预测结果高度一致，验证了模型的预测准确性。此外，我们还比较了AGILE模型与其他传统方法（如基于经验的筛选和基于结构的虚拟筛选）在预测离子化脂质性能方面的优劣。结果显示，AGILE模型在预测准确性和筛选效率方面均优于传统方法。

图五、模型构建和机制解释

1. AGILE平台的优势：AGILE平台通过结合组合合成、高通量筛选和深度学习技术，实现了对mRNA递送用LNP的快速开发。该平台具有高效、准确和可扩展的特点，为mRNA疫苗和疗法的开发提供了有力支持。

2. 深度学习模型的应用前景：深度学习模型在预测脂质递送性能方面展现出巨大潜力。未来，随着数据集的扩大和模型的不断优化，深度学习模型有望成为LNP开发中的重要工具。

3. 未来研究方向：尽管AGILE平台已经取得了显著成果，但仍有许多值得探索的方向。例如，可以进一步扩展脂质库的多样性，探索更多类型的离子型脂质；同时，也可以深入研究LNP与细胞相互作用的机制，以提高LNP的稳定性和安全性。

AGILE平台通过深度学习与组合化学的结合，显著加速了mRNA递送用LNPs的开发进程。平台不仅简化了可离子化脂质的开发流程，还揭示了细胞特异性的脂质偏好，为针对不同细胞类型量身定制LNPs提供了可能。未来，AGILE平台有望在临床实践中得到广泛应用，进一步拓宽mRNA疗法的应用范围和效果。