脂质纳米粒子数据库：面向结构-功能建模与基于数据的核酸递送设计

为什么微小的脂质小泡对未来药物至关重要

脂质纳米粒子是微观的脂质小泡，能安全地将遗传信息（例如 mRNA 疫苗）运送到细胞内部。它们推动了新冠疫苗的发展，但研究人员仍未完全弄清楚其详细化学组成如何决定疗效。本文介绍了一个新的在线资源——脂质纳米粒子数据库（LNPDB），旨在将散落的数据汇总到一起，使科学家能够系统地设计更好、更安全的基因递送药物。

将分散结果汇集到一个平台

多年来，不同实验室测试了数千种脂质纳米粒子（LNP）配方，改变主要带电脂质、辅助脂质、胆固醇和保护性包覆脂质，以寻找最有效递送遗传物质的组合。但这些结果以多种格式散见于数十篇论文中，难以比较研究或发现总体趋势。与由蛋白质数据银行（PDB）支撑并催生 AlphaFold 等工具的蛋白质科学不同，LNP 领域缺乏一个统一的结构与性能数据仓库。LNPDB 弥补了这一空白，收录了来自 42 项研究和一家商业供应商的 19,528 个 LNP 配方的详细信息，并对每种颗粒的成分、测试条件和结果的编码进行了标准化。

数据库中包含哪些内容

LNPDB 中的每条 LNP 条目沿三个主要轴描述：组成、实验和模拟。组成字段记录所用脂质、主要带电脂质所含的氮原子数量，以及四种核心成分（可电离脂质、辅助脂质、胆固醇和聚乙二醇（PEG）–脂质）之间的精确混合比例。实验字段捕捉载体类型（通常是编码报告蛋白的 mRNA）、递送地点（例如培养皿中的细胞、肝脏、肺或肌肉）、颗粒的制备方法以及如何衡量成功与否。最后，模拟字段提供可直接使用的文件，详细描述每种脂质分子的物理行为，足以在原子级别运行脂质膜的计算模拟。通过这些标准化描述，原本零散的筛选结果被转化为可检索、可筛选并可由社区扩展的连贯景观。

教计算机识别更佳的递送配方

LNPDB 的一个直接用途是改进用于预测哪些配方将更有效递送遗传物质的机器学习模型。作者使用扩展后的 LNPDB 数据集重新训练了他们现有的深度学习模型 LiON，训练样本数量超过此前的两倍。LiON 学习将可电离脂质的化学结构、辅助成分的混合以及测试情境与每种配方的表现联系起来。借助更丰富的数据，LiON 在大多数测试集合上的预测与实验结果更为一致，并在若干独立数据集上优于名为 AGILE 的竞争模型。这表明，广泛、多样且持续增长的训练集对于构建通用设计工具至关重要。

观察模型膜以揭示潜在规律

该数据库还为另一类计算——基于物理的分子动力学模拟——提供支持。利用随 LNPDB 提供的模拟文件，研究团队构建了代表选定 LNP 配方的简化膜，并在微秒级的模拟时间内观察其行为。他们提出两个问题：模型化的脂质双层是否保持完整？关键脂质在膜内总体采用何种形态？模拟表明，膜结构稳定的配方更有可能在实验中成功。他们还量化了一项被称为“临界堆积参数”的特征，该参数反映脂质在膜中是更偏锥形还是倒锥形。在若干测试库中，倾向于产生负曲率的脂质——被认为有助于颗粒与内体膜发生融合与破裂——显示出更强的递送性能，有时该形态与性能的相关性甚至优于深度学习模型本身。

为更聪明的纳米医学奠定新基础

对非专业读者而言，核心信息是：这项工作建立了一个共享且不断增长的“地图”，展示微小脂质小泡的成分与结构如何影响其递送遗传疗法的能力。通过汇集数万项既往实验、支持强大的预测模型并提供分子层面上描述颗粒行为的模拟工具，LNPDB 为以理性设计取代试错式改良奠定了基础。随着时间推移，这种基于数据的方法可能加速更有效疫苗、基因编辑治疗和其他核酸类疗法的开发，同时帮助研究者理解为何某些纳米粒子配方有效而另一些无效。

引用: Collins, E., Ji, J., Kim, SG. et al. Lipid Nanoparticle Database towards structure-function modeling and data-driven design for nucleic acid delivery. Nat Commun 17, 2464 (2026). https://doi.org/10.1038/s41467-026-68818-1

关键词: 脂质纳米粒子, mRNA 递送, 纳米医学, 机器学习, 分子动力学