AI-Validated Brain Targeted mRNA Lipid Nanoparticles with Neuronal Tropism
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Targeting therapeutic nanoparticles to the brain poses a challenge due to the restrictive nature of the blood–brain barrier (BBB). Here we report the development of mRNA-loaded lipid nanoparticles (LNPs) functionalized with BBB-interacting small molecules, thereby enhancing brain delivery and gene expression. Screening brain-targeted mRNA-LNPs in central nervous system (CNS) in vitro models and through intravenous administration in mice demonstrated that acetylcholine-conjugated LNPs achieved superior brain tropism and gene expression, outperforming LNP modifications with nicotine, glucose, memantine, cocaine, tryptophan, and other small molecules. An artificial intelligence (AI)-based model designed to predict the BBB permeability of small-molecule ligands showed strong alignment with our experimental results, providing in vivo validation of its predictive capacity. Cell-specific biodistribution analysis in Cre-reporter Ai9 mice showed that acetylcholine-functionalized LNPs preferentially transfected neurons and astrocytes following either intravenous or intracerebral administration. Mechanistic studies suggest that acetylcholine-LNP uptake is mediated by the functional engagement of acetylcholine receptors (AchRs) followed by endocytosis, which synergistically enhances intracellular mRNA delivery. Moreover, acetylcholine-LNPs successfully crossed a human BBB-on-a-chip model, enabling transgene expression in human iPSC-derived neurons. Their effective penetration and transfection in human brain organoids further support their potential activity in human-based systems. These findings establish a predictive and modular framework for engineering CNS-targeted LNPs, advancing precision gene delivery for brain disorders.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».