解釈可能な機械学習が脂質ナノ粒子の高次元データを簡潔な設計ルールに集約し、核酸送達製剤の優先順位付けを支援
- 階層的な機械学習により、高次元の脂質ナノ粒子データを少数の物理化学的記述子に圧縮する。
- そこから、核酸送達製剤を順位付けするための解釈可能な構造活性相関ルールを導出する。
- 上位のルールは、独立したin vitro解析と後ろ向きのin vivoデータ解析でも濃縮が維持されたが、新たな前向き実験は記載されていない。
💡 ポイント アブストラクトに基づく見解
後ろ向きのin vivoデータで濃縮が見られた点は心強いが、LNPのデータはバッチやラボ間の差が大きいことで知られる。ランダム分割ではなく、脂質骨格やデータセット単位の分割でもルールが成り立つかを確かめる必要がある。加えて、自社の製剤スクリーニングで2、3のルールを試し、イオン化脂質のpKaや配合比の経験則といった単純なベースラインと比べる価値がある。
Machine learning-guided design rules for lipid nanoparticles to prioritize nucleic acid delivery ↗