Machine Learning–Guided Structure–Activity Discovery of Polymer Configurations in Lipid Nanoparticles for Kiss-and-Run Endosomal Escape
Notice bibliographique
Résumé
Abstract Endosomal escape remains a major barrier to effective nucleic acid delivery via lipid nanoparticles (LNPs). Here, we address this challenge by incorporating a pH-sensitive polymer, polyhistidine, into LNPs (pLNPs) to facilitate endosomal escape, with a focus on optimizing the polymer’s molecular weight (MW) and configuration—parameters that remain largely unexplored. Through systematic engineering, we designed linear and branched polyhistidine architectures with varied MWs and configurations. In vivo screening identified an optimized pLNP formulation incorporating a symmetrical bis-lysine histidine dendron with a MW of ∼1800 g/mol, which achieved a 266-fold increase in liver bioluminescence following intravenous delivery of luciferase mRNA compared to standard LNPs at an equivalent RNA dose. Mechanistic studies revealed that polymer configuration within pLNPs is critical for eliciting the proton sponge effect, leading to osmotic swelling and endosomal rupture. This configuration also promoted rapid endosomal membrane destabilization via a kiss-and-run mechanism, enabling efficient cytosolic release. When delivering base editor mRNA and single-guide RNA, the optimized pLNPs achieved 8% gene editing efficiency in the mouse liver at a low dose of 0.1 mg/kg, compared to 1% with standard LNPs. To accelerate discovery and address macromolecular design challenges, we developed a machine learning (ML) framework based on amino acid-level graph neural networks (GNNs). This approach identified branched, dendritic configurations with densely arranged histidine residues on a multivalent core as key determinants of delivery performance. The top ML-predicted candidate, NS535, achieved a 705-fold increase in liver bioluminescence over standard LNPs, validating our data-driven design strategy. Together, these findings establish a closed-loop platform integrating rational design, mechanistic validation, and ML-guided optimization to advance RNA delivery. By elucidating structure-activity relationships for polyhistidine carriers and demonstrating efficient, low-dose genome editing, this work provides a blueprint for next-generation nucleic acid therapeutics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».