圖二、新型陽離子脂質的篩選和AI訓練

圖三、AI模型的預測和體內效果驗證

在進一步的研究中，我們發現AGILE模型不僅能夠預測離子化脂質在特定細胞系中的轉染效率，還能夠揭示離子化脂質對細胞的特異性偏好。通過對比不同細胞系中轉染最佳效率的離子化脂質，我們發現了一些具有細胞特異性的脂質分子。這些分子在某些細胞系中表現出超高的轉染效率，而在其他細胞系中則表現平平。這一發現為針對不同細胞類型進行定制化的離子化脂質開發提供了可能。

為了驗證AGILE模型在體內實驗中的預測準確性，我們選擇了部分預測性能較好的離子化脂質進行了動物實驗。具體來說，我們將這些脂質分子包裹在LNP中，并通過肌肉注射的方式將其遞送到小鼠體內。然后，我們測定了小鼠體內mRNA的遞送效率和表達水平。實驗結果顯示，AGILE模型預測的體內轉染效率與實驗測得的結果高度一致，進一步驗證了模型的預測準確性。此外，我們還發現了一些在體內實驗中表現出優異性能的離子化脂質，這些脂質有望成為新一代體內mRNA遞送系統的候選材料。

為了理解AGILE模型如何預測離子化脂質的mRNA轉染效率，我們采用了基于梯度的模型解釋方法。這種方法通過計算模型預測值對輸入分子描述符的梯度，來評估每個描述符對預測結果的影響程度。我們選擇了在HeLa細胞中預測轉染最佳效率的幾種脂質，分析了它們的關鍵分子特征。結果顯示，特定的分子描述符，如脂質的電荷分布、極性表面積和疏水性等，對模型的預測結果具有顯著影響。這些描述符不僅反映了脂質分子的物理化學性質，也與其在細胞內的轉染效率密切相關。

為了驗證AGILE模型的預測準確性，并探索不同離子化脂質之間的關系，我們構建了相似性網絡。該網絡基于離子化脂質的分子描述符計算它們之間的相似度，并將相似度高的脂質連接起來。我們選擇了在HeLa細胞中預測轉染最效率的15種脂質進行網絡分析。結果顯示，高效LNP H9不僅與具有相同頭基團的LNP（如H7、H8）緊密相連，還與其他高性能候選物（如H12、H13）存在關聯。這表明AGILE模型在預測離子化脂質性能時，能夠捕捉到脂質分子之間的內在聯系和相似性。

為了更深入地理解AGILE模型的預測機制，我們對預測性能最佳的離子化脂質H9進行了分子層面的解釋。我們利用圖編碼器對H9的分子結構進行了可視化分析，并識別出了影響模型預測的最關鍵區域。結果顯示，H9分子中的特定官能團和原子排列方式對其轉染效率具有重要影響。這些官能團和原子排列方式不僅與脂質的物理化學性質密切相關，還與其在細胞內的相互作用和轉染機制有關。

為了驗證AGILE模型的預測準確性，我們進行了實驗驗證。我們選擇了在HeLa細胞中預測轉染效率較高的幾種脂質，包括H9，并制備了相應的LNP。然后，我們在HeLa細胞中進行了體外轉染實驗，并測量了mRNA的遞送效率。結果顯示，實驗測得的轉染效率與AGILE模型的預測結果高度一致，驗證了模型的預測準確性。此外，我們還比較了AGILE模型與其他傳統方法（如基于經驗的篩選和基于結構的虛擬篩選）在預測離子化脂質性能方面的優劣。結果顯示，AGILE模型在預測準確性和篩選效率方面均優于傳統方法。

圖五、模型構建和機制解釋

1. AGILE平臺的優勢：AGILE平臺通過結合組合合成、高通量篩選和深度學習技術，實現了對mRNA遞送用LNP的快速開發。該平臺具有高效、準確和可擴展的特點，為mRNA疫苗和療法的開發提供了有力支持。

2. 深度學習模型的應用前景：深度學習模型在預測脂質遞送性能方面展現出巨大潛力。未來，隨著數據集的擴大和模型的不斷優化，深度學習模型有望成為LNP開發中的重要工具。

3. 未來研究方向：盡管AGILE平臺已經取得了顯著成果，但仍有許多值得探索的方向。例如，可以進一步擴展脂質庫的多樣性，探索更多類型的離子型脂質；同時，也可以深入研究LNP與細胞相互作用的機制，以提高LNP的穩定性和安全性。