論文の概要: Decoding Extrahepatic Targeting of Lipid Nanoparticles with Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2609.17721v1
• Date: Tue, 15 Sep 2026 18:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.499259
• Title: Decoding Extrahepatic Targeting of Lipid Nanoparticles with Interpretable Machine Learning
• Title（参考訳）: 解釈型機械学習による脂質ナノ粒子の肝外標的の復号
• Abstract要約: 我々は肝と肝外LNP蓄積を予測する機械学習フレームワークを開発した。 肝外RNAデリバリーのための分子設計規則を同定する。 本研究は, LNP生物分布を復号化するための解釈可能なデータ駆動型戦略を確立する。
• 参考スコア（独自算出の注目度）: 14.832996861313106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lipid nanoparticles (LNPs) have transformed RNA medicine, yet their clinical utility remains constrained by predominant hepatic accumulation after systemic administration. Redirecting LNPs to extrahepatic tissues requires understanding of how lipid chemistry and formulation composition jointly govern in vivo biodistribution. Here, we develop an interpretable machine learning framework to predict hepatic versus extrahepatic LNP accumulation and identify molecular design rules for extrahepatic RNA delivery. A literature-derived dataset of 476 intravenous LNP formulations was curated from 81 studies, integrating formulation composition, lipid chemical structures, and IVIS-based biodistribution profiles. Standardized SMILES representations of ionizable lipids, helper lipids, sterols, PEGylated or polymer-conjugated lipids, additional lipids, and polymer repeat units were converted into RDKit Expert descriptors and combined with formulation-level variables to generate an 808-dimensional feature representation. Logistic regression, random forest, and XGBoost achieved ROC-AUC values of 0.839, 0.866, and 0.874, respectively. SHAP-based interpretation and consensus feature ranking revealed that ionizable-lipid descriptors dominate biodistribution prediction, while formulation composition, particularly ionizable lipid, sterol, and PEGylated/polymer-conjugated lipid fractions, contributes substantially. The top 20 consensus features retained nearly all predictive information in tree-based models. The most informative features implicated electrotopological surface properties, charge- and hydrophobicity-weighted surface areas, molecular topology, and amide/alkyl structural motifs as drivers of extrahepatic accumulation. This study establishes an interpretable, data-driven strategy for decoding LNP biodistribution and provides actionable design principles for engineering LNPs beyond the liver.
• Abstract（参考訳）: 脂質ナノ粒子(LNP)はRNA医学に変化をもたらしたが、その臨床的有用性は、全身投与後の肝の蓄積によって制限されている。 LNPを肝外組織にリダイレクトするには、脂質化学と定式化組成物が生体内生物分布をどう共同で制御するかを理解する必要がある。 そこで本研究では,肝外および肝外LNP蓄積を予測し,肝外RNAデリバリーのための分子設計規則を同定する,解釈可能な機械学習フレームワークを開発した。 文献由来の476個の静脈内LNP製剤のデータセットを81個の研究から算出し, 製剤組成, 脂質化学構造, およびIVISによる生物分布プロファイルを統合した。 標準SMILESでは, イオン化可能な脂質, ヘルパー脂質, ステロール, PEG, あるいはポリマー共役脂質, 追加脂質, ポリマー繰り返し単位をRDKitエキスパート記述子に変換し, 定式化レベル変数と組み合わせて808次元の特徴表現を生成する。 ロジスティック回帰、ランダム森林、XGBoostはそれぞれ0.839、0.866、0.874のROC-AUC値を得た。 SHAPによる解釈とコンセンサス機能ランキングでは, イオン化脂質が生物分布予測を支配し, 特にイオン化脂質, ステロール, PEGylated/ Polymer-conjugated lipid fractionsの定式化が寄与することが示唆された。 上位20のコンセンサス機能は、ほぼすべての予測情報をツリーベースモデルで保持している。 最も有益な特徴は、電気トポロジカルな表面特性、電荷および疎水性表面積、分子トポロジ、およびアミド/アルキル構造モチーフが肝外蓄積の原動力となることである。 本研究は, LNPの生体分布を復号化するための解釈可能なデータ駆動型戦略を確立し, LNPを肝臓を超えて設計するための実用的な設計原理を提供する。

関連論文リスト

• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
  急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。 本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-24T17:39:37Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• A Deep Generative Model for the Design of Synthesizable Ionizable Lipids [28.132346875941707]
  イオン化可能な脂質はRNA保護において重要な役割を担い、細胞質への輸送を促進する。 深層生成モデルは、このプロセスを加速し、従来の手法と比較して大きな候補空間を探索することができる。 本モデルは, 新規なイオン化可能な脂質構造を生成し, 合成可能なビルディングブロックを用いた合成経路を提供し, 合成可能性に対処する。
  論文  参考訳（メタデータ） (2024-12-01T18:33:22Z)
• Generative Model for Synthesizing Ionizable Lipids: A Monte Carlo Tree Search Approach [28.132346875941707]
  イオン化可能な脂質は、効果的なメッセンジャーRNA(mRNA)輸送のための脂質ナノ粒子(LNP)の開発に必須である。 新しい電離可能な脂質を設計する伝統的な手法は一般的に時間を要するものであり、強力な解決策として深層生成モデルが登場している。 本研究は, 合成可能な電離性脂質に対するモンテカルロ木探索(MCTS)に基づく生成モデルについて検討する。
  論文  参考訳（メタデータ） (2024-12-01T13:34:22Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• A Ligand-and-structure Dual-driven Deep Learning Method for the Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases [12.616493352225909]
  ゴナドトロピン放出ホルモン受容体(GnRH1R)は、子宮疾患の治療において有望な治療標的である。 このギャップを埋めるため,我々は,GnRH1Rを標的とした新しい経口活性小分子薬の発見を容易にするための,ディープラーニングベースのフレームワークの開発を目指している。
  論文  参考訳（メタデータ） (2022-07-23T16:04:54Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。