大家好，今天给大家分享一篇近期发表在Digital Discovery 上的研究进展，题为：Machine learning-guided high throughput nanoparticle design。该工作的通讯作者是来自埃因霍温理工大学的Francesca Grisoni和Lorenzo Albertazzi。
纳米药物在疾病的预防、诊断和治疗等方面具有重要的生物学意义。通过调整纳米颗粒的组成，可以利用多种成分设计出具有广泛理化性质的纳米药物平台。然而庞大的组合设计空间使得纳米颗粒配方的探索成了一项艰巨的任务。高通量配方筛选的新工具，以及数据驱动的纳米颗粒设计计算方法，有望彻底改变当前的材料发现领域
本文结合了三项关键技术：微流控配方、高内涵成像（HCI）和主动机器学习，形成一个闭环工作流程，加速在MDA-MB-468人乳腺癌细胞中具有高摄取率的聚乳酸-羟基乙酸共聚物-聚乙二醇（PLGA-PEG）纳米颗粒的设计。在每个周期仅需5天的两个实验周期中，作者将测得的摄取量从约5倍提高到约15倍。（图1）
首先，作者使用微流控系统快速且可控地制备多种自组装纳米颗粒。作者选择了一种具有Y型接头几何结构的流体动力聚焦（HFF）微流控设备来制备PLGA-PEG纳米颗粒。HFF通过调节溶剂（S）和反溶剂（AS）之间的流速比（FRR）实现对纳米颗粒尺寸的控制。纳米颗粒通过将荧光染料封装在其疏水核中进行原位标记，通过高内涵成像在96孔板中自动获取和处理宽场荧光图像。图像采集后，使用基于CellProfiler的三步生物图像分析流程，包括（1）细胞核分割，（2）膜分割，（3）强度量化，测量每个细胞每单位面积的纳米颗粒强度。（图2） 随后， 作者将每个纳米颗粒的细胞摄摄取用于训练贝叶斯神经网络。然后使用训练后的模型从一个包含100,000种纳米颗粒的虚拟库中选择下一周期的配方，这些纳米颗粒均匀覆盖整个设计空间。只有当配方的预测多分散指数（PDI）低于预定阈值（PDI < 0.2）时才会被考虑，确保生产的纳米颗粒在胶体上稳定，并适用于药物递送等生物医学应用。作为学习策略，作者首先探索设计空间中的不确定区域（探索），然后寻找高响应纳米颗粒（开发）。 作者使用实验设计（DoE）方法选择了29种配方并表征了纳米颗粒的摄取情况（周期0），产生一个起始集合。使用周期0数据训练的神经网络模型的预测结果指导下一设计周期（周期1）。作者选择了十种配方，这些配方尽可能彼此多样化，并且具有高预测不确定性和中等偏高的摄取量。这些纳米颗粒设计经过实验评估，其摄取量与周期0相比，摄取量有了显著跃升。这一新获得的数据与周期0的数据结合，用于重新训练模型，以指导周期2的配方。作者选择了十种预测摄取量高且不确定性低的纳米颗粒配方，用于配方和HCI筛选。这一周期显著提高了所有十种纳米颗粒的平均摄取量，并略微提高了最大摄取量。（图3） 最后作者探讨纳米颗粒的成分与功能关系，作者用所有周期生成的数据重新训练模型，并用它从虚拟库中选择五种预测摄取量低和五种预测摄取量高的纳米颗粒进行进一步的配方和筛选。尽管模型更适应高摄取量配方，但它能够识别出高摄取量和低摄取量的纳米颗粒，并且差异具有统计显著性，这表明模型学到了相关的配方-摄取关系。低摄取量和高摄取量纳米颗粒在三种聚合物含量上显示出显著差异。此外，发现低摄取量的纳米颗粒更单分散且更大，而高摄取量的纳米颗粒更多分散。多分散性或纳米颗粒的异质性传统上被视为不良特性。然而，这种固有的异质性可以被认为是可以改善纳米颗粒生物功能的结构参数。（图4） 综上，作者展示了一种结合三种互补技术的纳米颗粒设计平台，即微流控辅助配方、高内涵成像和机器学习。这三种技术在一个主动学习框架内协同工作，每个实验周期的结果用于指导下一个周期的实验。作为概念验证，作者应用这种方法设计了在MDA-MB-468人乳腺癌细胞中具有高摄取量的PLGA-PEG纳米颗粒。这些结果展示了由机器学习驱动的闭环平台在快速和迭代纳米颗粒优化中的潜力。Link: https://doi.org/10.1039/D4DD00104D
