論文の概要: LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction

• arxiv url: http://arxiv.org/abs/2507.03209v1
• Date: Thu, 03 Jul 2025 22:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.618315
• Title: LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction
• Title（参考訳）: LANTERN: 脂質ナノ粒子透過効率予測のための機械学習フレームワーク
• Authors: Asal Mehradfar, Mohammad Shahab Sepehri, Jose Miguel Hernandez-Lobato, Glen S. Kwon, Mahdi Soltanolkotabi, Salman Avestimehr, Morteza Rasoulianboroujeni,
• Abstract要約: 効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質は、RNAベースの治療開発において重要なボトルネックとなっている。 近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調している。 ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERNを提案する。
• 参考スコア（独自算出の注目度）: 22.613971394957368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of new ionizable lipids for efficient lipid nanoparticle (LNP)-mediated RNA delivery remains a critical bottleneck for RNA-based therapeutics development. Recent advances have highlighted the potential of machine learning (ML) to predict transfection efficiency from molecular structure, enabling high-throughput virtual screening and accelerating lead identification. However, existing approaches are hindered by inadequate data quality, ineffective feature representations, low predictive accuracy, and poor generalizability. Here, we present LANTERN (Lipid nANoparticle Transfection Efficiency pRedictioN), a robust ML framework for predicting transfection efficiency based on ionizable lipid representation. We benchmarked a diverse set of ML models against AGILE, a previously published model developed for transfection prediction. Our results show that combining simpler models with chemically informative features, particularly count-based Morgan fingerprints, outperforms more complex models that rely on internally learned embeddings, such as AGILE. We also show that a multi-layer perceptron trained on a combination of Morgan fingerprints and Expert descriptors achieved the highest performance ($\text{R}^2$ = 0.8161, r = 0.9053), significantly exceeding AGILE ($\text{R}^2$ = 0.2655, r = 0.5488). We show that the models in LANTERN consistently have strong performance across multiple evaluation metrics. Thus, LANTERN offers a robust benchmarking framework for LNP transfection prediction and serves as a valuable tool for accelerating lipid-based RNA delivery systems design.
• Abstract（参考訳）: 効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質の発見は、RNAベースの治療開発において重要なボトルネックとなっている。 近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調しており、高いスループットの仮想スクリーニングとリード識別の高速化を可能にしている。 しかし、既存のアプローチは、データ品質の不足、非効率な特徴表現、予測精度の低下、一般化性の低下によって妨げられている。 ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERN(Lipid nANo Particle Transfection efficiency pRedictioN)を提案する。 我々は、トランスフェクション予測のために開発された以前に公開されたモデルであるAGILEに対して、さまざまなMLモデルをベンチマークした。 以上の結果から,より単純なモデルと化学的に有意な特徴,特に数ベースのMorganの指紋を組み合わせることで,AGILEのような内部的に学習された埋め込みに依存する複雑なモデルよりも優れていることがわかった。 また,モーガン指紋とエキスパートディスクリプタの組み合わせでトレーニングした多層パーセプトロン (\text{R}^2$ = 0.8161, r = 0.9053) がAGILE (\text{R}^2$ = 0.2655, r = 0.5488) をはるかに上回っていることを示す。 LANTERN のモデルでは,複数の評価指標に対して高い性能を示す。 したがって、LANTERNはLNPトランスフェクション予測のための堅牢なベンチマークフレームワークを提供し、脂質ベースのRNAデリバリーシステム設計を加速するための貴重なツールとして機能する。

関連論文リスト

• Reparameterized LLM Training via Orthogonal Equivalence Transformation [54.80172809738605]
  直交同値変換を用いてニューロンを最適化する新しいトレーニングアルゴリズムPOETを提案する。 POETは、目的関数を安定して最適化し、一般化を改善する。 我々は、大規模ニューラルネットワークのトレーニングにおいて、POETを柔軟かつスケーラブルにするための効率的な近似を開発する。
  論文  参考訳（メタデータ） (2025-06-09T17:59:34Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• TransMA: an explainable multi-modal deep learning model for predicting properties of ionizable lipid nanoparticles in mRNA delivery [10.7522257668405]
  本稿では,TransMAと呼ばれる説明可能なLNPの透過効率予測モデルを提案する。 TransMAはマルチモーダル分子構造融合アーキテクチャを採用している。 トランスフェクション効率の予測において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-07-08T08:43:32Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
  我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。 化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。 最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
  論文  参考訳（メタデータ） (2023-08-02T22:18:41Z)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。