离子化脂质筛选框架

避开传统低效筛选

与现有单个机器学习模型不同，该框架通过集成学习和数据增强策略，在数据稀缺条件下实现了对离子化脂质的高准确度预测。

Duan, Xing · Jiezhou, Chen · Shanhui, Jiang · 卿粼波 · 合性 · 何俊 · 雷印杰 · Shi, Haixing · Tingting, Song · Xiangyu, Jiao · 李国红 · Huang, Hai · Guo, Mengran · Yongjun, Gu · Changchun, Zhao · Xiaoling, Yin · Liu, Shengbin · Wang, Pingyu · 宋相容

Acta Pharmaceutica Sinica B 2025

技术优势

数据不足也能准

利用 MTA 策略对尾链甲基精确调整，将离子化脂质库数据量扩增三倍，弥补了数据稀缺，提升模型精度。

预测比单模型更准

集成堆叠学习算法整合多种学习算法，超越了以往单一算法的预测精度。

预测与实测吻合

预测结果与 Luc-mRNA 的体内表达数据高度一致，验证了 LipidAI 的可靠性。

应用场景

• mRNA纳米药物：为 mRNA 纳米药物快速筛选高表达潜力的离子化脂质，省去大量试错合成。
• 脂质纳米颗粒递送：优化 LNP 的关键组分，提升递送系统的 mRNA 表达效率。
• AI驱动的分子筛选：用 AI 框架替代传统低效筛选，加速发现性能更好的离子化脂质。
• 机器学习辅助药物设计：集成学习提升预测精度，辅助设计更有效的 LNP 递送载体。
• 高通量材料预测：在合成前快速评估大量脂质候选分子，实现高通量虚拟筛选。