BMEH文章分享丨AI也开始“设计脂质”了?mRNA递送系统正在进入智能化时代!

mRNA虽然潜力巨大，但本身非常脆弱。它在体内容易被降解，也难以直接穿过细胞膜进入细胞。因此，科学家需要一种“运输工具”来保护并递送mRNA，而目前最成熟的平台，就是脂质纳米颗粒（LNP）。

一个典型LNP通常由四部分组成：离子化脂质（核心功能组分）、辅助脂质、胆固醇、PEG脂质。其中，离子化脂质几乎决定了整个递送系统的效率。它既要在酸性环境下带正电、抓住mRNA；又要在血液循环中保持接近中性，以降低毒性；进入细胞后，还需要重新“激活”，帮助mRNA从内体中释放出来。

简单来说，它既像“包装材料”，又像“开锁工具”，直接影响mRNA能否真正发挥作用。

过去，开发一种新的离子化脂质，往往依赖大量实验筛选。研究人员通常会不断更换脂质的：头部结构；连接基团；疏水尾链。

再反复测试其：递送效率；毒性；稳定性及器官靶向能力。

但问题在于，可设计的脂质结构数量极其庞大，传统方法很难快速完成系统筛选。很多时候，需要“做一个、测一个”，周期长、成本高，而且成功率有限。这也是AI开始进入这一领域的重要原因。

近年来，人工智能正在改变离子化脂质的设计逻辑。研究人员会将大量已知脂质结构及实验数据输入模型，例如：分子结构信息、pKa参数、粒径与稳定性、mRNA转染效率、器官靶向特征以及安全性数据。

随后，AI会尝试从这些数据中寻找规律。例如：

相比传统经验筛选，AI能够在更短时间内分析海量化学空间，并预测更有潜力的新型脂质结构。某种程度上，离子化脂质研发正在从“经验试错”逐渐走向“数据驱动”。

更值得关注的是，AI如今已经不仅仅用于辅助分析。一些研究开始利用：

直接生成全新的脂质结构。也就是说，AI不只是“帮助研究人员找答案”，而是在尝试“主动提出候选方案”。例如，研究人员可以提前设定目标：

随后模型会自动生成并优化可能符合要求的新型脂质分子，部分AI筛选得到的候选脂质，甚至已经在实验中表现出接近甚至超过现有商业化脂质的递送能力。

AI模型的能力，很大程度上取决于数据质量。而在LNP研究中，真正困难的其实不是建模，而是获取高质量体内数据。因为很多脂质在细胞实验中表现很好，但进入动物体内后，结果可能完全不同。近年来，高通量筛选与条形码（barcode）技术的发展，大幅提高了LNP研究效率。

研究人员可以给不同LNP“打标签”，一次性同时测试数百种配方，再通过测序分析它们最终进入了哪些器官、哪些细胞。这种方式不仅提升了实验速度，也为AI模型提供了越来越丰富的数据资源。未来，LNP研发的竞争，某种程度上也可能变成“数据能力”的竞争。

尽管AI在离子化脂质设计中展现出巨大潜力，但目前这一领域仍然面临不少挑战，例如：

与此同时，分子模拟、分子动力学（MD）以及结构生物学等技术，也正在与AI逐渐融合，共同推动LNP研究向更加系统化、智能化方向发展。未来的mRNA递送系统，或许将具备：

随着AI与生物医学工程持续融合，离子化脂质的研发逻辑，正在从“经验驱动”逐渐走向“算法驱动”。而这场变化，也可能重新定义下一代mRNA药物的开发方式。

文章题目：

From algorithm to application: AI-powered design of ionizable lipids for mRNA delivery

文章作者：

Danhong Liang; Chi Xu; Haijun Li; Xinpeng Ma; Peng Gao; Bo Ying

DOI:

https://doi.org/10.70401/bmeh.2026.0026

原文链接：

https://www.sciexplor.com/bmeh/articles/bmeh.2026.0026

引用本文：

Liang D, Xu C, Li H, Ma X, Gao P, Ying B. From algorithm to application: AI-powered design of ionizable lipids for mRNA delivery. BME Horiz. 2026;4:202603. https://doi.org/10.70401/bmeh.2026.0026

扫码阅读全文：

我们的使命 | Our Mission