ARTICLE · 1290060
文献分享|AI如何为紫杉醇复合水凝胶挑选递药载体?
一种活性分子有效，不代表它能以合适的剂量到达病变部位并持续发挥作用。紫杉醇是从红豆杉属植物中发现的天然来源抗肿瘤单体，但水溶性和递送方式会影响其应用。本次选题以紫杉醇为“单体”切入点，研究的是其载药材料，而不是中药复方或植物粗提物。
对于“单体＋水凝胶”研究，一个关键问题是：怎样选择与药物匹配的纳米载体，再将其整合到局部递送体系？金属有机框架（MOF）由金属中心和有机配体组成，内部具有可装载药物的孔道，但可选结构数量庞大。人工智能可以帮助缩小候选范围，最终能否制备、进入细胞并改善药效，仍需要实验逐层检验。
2025年，剑桥大学David Fairen-Jimenez团队与葡萄牙里斯本新大学João Conde团队合作，在《Advanced Materials》发表“Rational Design of Metal–Organic Frameworks for Pancreatic Cancer Therapy: from Machine Learning Screening to In Vivo Efficacy”。
研究先利用机器学习和分子模拟选择MOF，随后将紫杉醇装入PCN-222并进行PEG修饰，最后与透明质酸（HA）水凝胶复合，在胰腺癌细胞和小鼠模型中评价。本文重点解读这条“计算筛选—载药制备—细胞评价—水凝胶局部治疗”路线。
01
用AI缩小范围，再用分子模拟判断
作者将搜索范围限定为具有已报道合成方案的8.6万余种MOF。第一步评估构建单元的潜在安全性：对金属中心整理毒性资料，对有机配体应用机器学习分类器，并用SHAP解释哪些分子特征影响预测。这样得到809种候选。这里的标签是计算预测，不等于最终复合制剂已经通过体内安全性评价。
第二步去除非多孔结构，并结合既有实验证据补入部分候选，共得到143种多孔MOF。研究再用巨正则蒙特卡洛模拟，分别估计吉西他滨、紫杉醇和SN-38的装载能力。该方法属于分子模拟，与前一步机器学习分工不同：前者估计孔道能装多少药，后者帮助判断哪些构建单元值得优先考虑。
达到设定载药阈值后，候选缩小至约15种。最终选择PCN-222并非只因其“装药最多”，还考虑了稳定性、表面修饰、合成可行性和粒径控制。这说明AI的价值是帮助研究者筛选，而不是替代所有材料学判断。
图1：材料筛选的总体流程
a展示构建单元毒性预测及SHAP解释
b展示候选收敛和三种药物的模拟装载结果
02
紫杉醇、MOF与PEG的功能
PCN-222可理解为带有纳米孔道的“药物载体”。作者先合成粒径约120 nm的颗粒，再分别装入三种候选药物，并在外表面引入PEG。需要注意，三种药物分别制成载药体系，不是把三种药共同装入同一颗粒；本报告重点追踪进入水凝胶动物实验的紫杉醇制剂。
紫杉醇提供药理活性，PCN-222提供装载空间，PEG表面层用于改善分散状态及递送表现。作者结合X射线衍射、扫描电镜、动态光散射和表面电位等方法，检查载药及修饰后颗粒是否保留结构，并形成可继续实验的分散体系。
图2 药物装载与PEG修饰后的材料表征
a为制备及分子结构示意
b–d为晶体结构、粒径和表面电位
e为扫描电镜
紫杉醇制剂对应PEG@Pac@PCN-222，电镜位于e-iv
PEG@Pac@PCN-222的水合粒径为132.1±1.3 nm，多分散性指数为0.14，紫杉醇载药量为40.8 wt.%。这里的40.8%是作者报告的载药质量指标，不应改写成包封率，也不是整个水凝胶中的药物比例。材料做出来只是起点，还需要回答它如何与细胞相互作用。
03
细胞评价
研究选择BxPC-3、MIA-PaCa-2和PANC-1三种胰腺癌细胞，先评价空载PEG修饰颗粒的耐受性与摄取。作者利用载体配体的荧光信号，结合流式、共聚焦和三维重建，观察到颗粒进入细胞。随后在相同药物浓度下比较游离药物与载药颗粒，区分“载体存在”与“药物发挥作用”。
更有启发的设计，是将紫杉醇与细胞接触6小时后洗去，再在不含药物的培养液中继续观察一周。这个实验不再只问“药物一直泡在细胞里是否有效”，而是考察短时暴露后能否保留后续效应。作者通过活细胞成像和终点活力检测，发现载药颗粒在部分测试条件下表现出更持久的细胞毒性。
图3 紫杉醇制剂的短时接触实验
b为6小时接触、洗去后继续监测的死亡细胞相关荧光读出
c为后续细胞活力检测
这组结果提示，评价缓释递送体系时，实验时间安排同样重要。连续暴露时的即时杀伤不一定反映载体的长期价值；短时接触后继续观察，能提供药效持续性的线索。但它不是直接测得的水凝胶体内释放曲线，二者不能相互替代。
04
与透明质酸水凝胶复合
这一步直接对应“单体＋水凝胶”的研究方向。作者将紫杉醇载药颗粒与4 wt.%透明质酸水凝胶结合，用于腹腔局部给药。其设计思路是：纳米颗粒负责装载及细胞递送，水凝胶提供局部储药与接触环境，二者解决不同尺度的问题。
动物模型由表达荧光素酶的BxPC-3-Luc人胰腺癌细胞腹腔注射建立，不是胰腺原位自发癌模型。局部给药比较空白水凝胶、水凝胶＋游离紫杉醇、水凝胶＋空载颗粒，以及水凝胶＋载药颗粒四组；同时另设静脉给药实验。随访主要通过生物发光评价肿瘤相关负荷。
图4 复合水凝胶的动物治疗结果
b为LOCAL（HYDROGEL）组活体生物发光图
d为对应定量
复合载药水凝胶组的肿瘤区域生物发光定量，较空白水凝胶组降低83%，较水凝胶＋游离紫杉醇组降低71%。这说明加入载药颗粒后，在该模型中获得了额外的治疗优势。上述比例针对发光信号定量，不是肿瘤直径缩小率、治愈率或人体疗效。
总结
这篇研究将材料候选筛选与生物学验证连接起来：机器学习帮助排查构建单元的潜在风险，分子模拟比较装载能力，实验确定可制备的载药颗粒，最后利用水凝胶实现局部递送。其研究价值不在于把所有步骤都称为AI，而在于让不同方法承担清楚的任务，并使计算结果接受实验证据检验。
对于紫杉醇，这一体系并未改变药物本身的身份，而是通过载体和给药环境改善递送表现。动物研究还以离体器官发光和生存曲线作为补充评价。这些结果支持进一步研究，但不能据此推定所有天然单体均可采用同一配方，或将小鼠结果直接解释为临床疗效。
原文信息
Melle F, Menon D, Conniot J, et al. Rational Design of Metal–Organic Frameworks for Pancreatic Cancer Therapy: from Machine Learning Screening to In Vivo Efficacy. Advanced Materials. 2025;37(52):2412757.
DOI: 10.1002/adma.202412757.
关键词：药物递送、机器学习、金属有机框架、胰腺癌、多孔材料
