The targeted treatment of pan-cancer by messenger RNA (mRNA) vaccine is a hot topic in drug research. A key challenge in mRNA design is the construction of delivery systems called lipid nanoparticles (LNPs), which serve as carriers to deliver mRNA therapi
信使核糖核酸（mRNA）疫苗靶向治疗泛癌是药物研究的热点。信使核糖核酸设计的一个关键挑战是构建称为脂质纳米颗粒（LNPs）的递送系统，该系统作为载体将信使核糖核酸疗法或疫苗递送到靶细胞。LNP组分的制备和筛选涉及长周期和高成本
在《生物信息学简报》上发表的一项研究中，中国科学院上海高级研究院刘立庄教授领导的一个研究团队提出了一种基于自注意机制的深度学习模型TransLNP，该模型绘制了信使核糖核酸LNP的三维（3D）微观结构和生物化学特性，从而实现了LNP的高精度自动筛选
设计的TransLNP使用跨分子自动学习方法从现有分子数据中提取知识，实现了LNP的小样本训练，并促进了不同分子类型之间的模型转移
为了构建mRNA LNP的3D微观结构和生物化学性质之间的映射关系，该模型充分利用了粗粒度的原子序列信息和细粒度的原子空间对应关系。它基于自注意机制，通过原子信息（原子类型、坐标、相对距离矩阵、边缘类型矩阵）的相互作用提取分子级特征
为了解决有限LNP数据造成的不平衡问题，设计了BalMol模块。该模块通过平滑标签分布和分子特征分布来平衡数据
TransLNP在预测LNP转染效率方面实现了小于5的均方误差（MSE）。与各种主流的图卷积神经网络和机器学习算法相比，TransLNP在MSE、R2（值越大越好）和Pearson相关系数方面表现出优越的性能，实现了该领域的顶级指标
这项工作有助于快速准确地预测信使核糖核酸-LNP转染效率和预测新的脂质纳米颗粒结构，并为信使核糖核酸药物在基因治疗、疫苗开发和药物递送中的应用提供线索