↑ ↑↑ 长按或扫码，报名参会 ↑↑↑
脂质纳米颗粒（LNP）作为RNA药物的核心递送载体，其功效高度依赖脂质组分种类、摩尔比例及合成参数的精准调控。传统实验优化流程耗时且难以覆盖完整设计空间，而现有深度学习模型多聚焦单分子设计，难以处理多组分复合体系。
近日，麻省理工学院（MIT）团队在Nature Nanotechnology（IF=38.1）发表突破性研究，开发出基于Transformer架构的深度学习模型COMET（Composite Material Transformer）。该模型通过整合分子结构、摩尔比例与工艺参数等多模态特征，实现LNP性能的端到端预测。
COMET的核心创新在于其能整合LNP的多组分和多模态特征（分子结构、摩尔比例、合成参数等），突破了现有单分子算法的局限。此外，它通过成对排序目标、集成学习等策略提升性能，且能适应非经典配方（如双离子脂质、聚合物材料），在小数据集下也能预测跨细胞系性能及冻干稳定性，具备强泛化能力。
使用COMET进行LNP设计[2]
研究人员首先构建了包含3028种LNP的大型数据集LANCE（Lipid-RNA Nanoparticle Composition and Efficacy），该数据集覆盖四大设计维度：
1）脂质组分组合：7种可离子化脂质×3种固醇×2种辅助脂质×2种PEG脂质；
2）42种双离子脂质协同效应；
3）合成参数：氮磷比（N/P）、水相/有机相混合比等；
4）24种摩尔比例。
图1. COMET通过机器学习来预测LNP的功效
实验室测试所有上述配方的递送效率后，将数据输入COMET模型进行训练。随后，COMET预测了新型的LNP配方。结果显示，这些新型LNP在体外递送荧光蛋白mRNA至小鼠皮肤细胞时，效率不仅超越训练数据集样本，部分甚至优于商用配方。
图2. COMET准确预测疗效并发现新靶点
接下来，研究人员进一步拓展了COMET模型的能力边界：
新材料领域：在LNP中添加第五种组分“支化聚β-氨基酯”（PBAE，该聚合物本身具有核酸递送能力），COMET可预测出性能更强的杂化配方。
新细胞系靶向性：预测出对结直肠癌细胞（Caco-2系）高效的LNP配方。
工艺优化：预测冻干后保持稳定的LNP配方，为延长药品保质期提供支持。
图3. COMET可应用于新材料、新细胞系和工艺优化领域
该研究证实COMET不仅能加速发现超越临床基准的新配方，还可优化现有高效LNP在特定细胞系内的递送效能。
研究人员表示：“COMET还可延伸至其他需要多组分配方的纳米技术领域，例如多药物共递送、免疫调节纳米颗粒设计或组织工程材料。”该团队目前正将COMET设计的LNP应用于糖尿病和肥胖症治疗，重点开发GLP-1类似物新型递送系统。
注：文章图片均来自Nature Nanotechnology
参考资料：
[1]Alvin Chan et al. Designing lipid nanoparticles using a transformer-based neural network. Nature Nanotechnology（2025）
https://www.nature.com/articles/s41565-025-01975-4
[2]https://www.genengnews.com/topics/artificial-intelligence/comet-ai-could-speed-development-of-rna-vaccines-and-rna-therapies/
9月24日-25日，北京，2025中国医药决策者峰会将立足过去十年中国创新药产业的发展成就和经验认知，结合时下的行业瓶颈和气氛，探讨产业未来10年的趋势和破局出口，围绕中国创新药投资回报、Biotech成长与进阶、商业化破与立、国际化突围等代表性场景进行交流。
——欢迎扫码，免费报名——
Copyright © 2025 PHARMCUBE. All Rights Reserved. 免责申明：本微信文章中的信息仅供一般参考之用，不可直接作为决策内容，医药魔方不对任何主体因使用本文内容而导致的任何损失承担责任。
热门跟贴