有健康網 有健康知識 腫瘤科 抗癌 查看内容

Nat.Nanotechnol.|計算與實驗相結合實現藥物納米粒子的設計

来源:www.uuuwell.com  2021-6-9 15:50

   

引言

最近,有研究表明,某些抗癌藥物與特定的小分子染料(如剛果紅或IR783)共配,可以形成具有超高載藥量的穩定納米粒子。因此,研究者提出,通過賦形劑輔助聯合組裝的藥物納米顆粒,不僅限於化療藥物化學染料,而且可以轉移到更廣泛的藥物和賦形劑。但遺憾的是,目前還不清楚在數百萬種可能的藥物-賦形劑組合中,哪一種能夠形成具有預期性能的納米顆粒。

這篇文章中,研究者將分子動力學(MD)模擬和機器學習與一個高通量的實驗共聚合平台相結合,可快速識別藥物-賦形劑組合,從而在不需要化學合成的情況下,在溶劑交換的基礎上可直接形成穩定的、自組裝的固體藥物納米顆粒(研究者從788種候選藥物和2686種輔料中,即共210萬對可能的組合中,鑒定出100種新型共聚合固體藥物納米顆粒)。

用於共聚合識別的高通量平台

研究者選擇了自聚集成膠體宏觀結構的藥物,作為他們平台的候選藥物。前人的回顧XX叉驗證實驗中,隨機森林模型可以識別出精度為77±2%的自聚集者。該模型確定了788種獲得批准的藥物有可能自聚集,在此,作為研究者的納米顆粒配方平台的候選材料。其中,選擇了20種化合物進行篩選,以跨越各種適應症,同時確保化學多樣性。研究者使用動態光散XX(DLS)確認了,這些候選藥物的自聚集傾向,發現其中4種藥物,沒有顯示可檢測到的自聚集,因此被丟棄。其他16種藥物形成微米大小的自聚集體,代表了不同的候選藥物的共聚集體。同時,研究者從FDA非活性成分清單、FDA公認安全成分清單和FDA批准的其他小分子輔料中,選出了90個。除了作為陽性對照的剛果紅,這些材料都沒有用於,共聚集納米顆粒。研究者採用納米沉澱法,從藥物和輔料組合中生成納米顆粒。為了實現這一過程的自動化和提高重現性,研究者將液體處理平台與高通量DLS相結合。這使得研究者能夠快速篩選出384孔板的納米製劑,每次實驗重複只使用1 nmol的藥物或輔料。總的來說,研究者共生成了1440種配方,並通過實驗測試了它們形成共聚集納米粒子的能力。為了確定賦形劑是否會阻止其配對藥物的膠體自聚集,研究者比較了藥物賦形劑共聚集體的大小,與藥物單獨形成的膠體自聚集體的大小。在1440種測量的組合中,94種(6.5%)顯示了目標尺寸的減少(圖1b)。總體而言,數據表明,在不同的配對中,出現了具有不同行為的複雜分子識別機制。

圖1. 固體藥物納米粒子的高通量篩選和機器學習模型開發

圖片來源於Nat. Nanotechnol.

納米粒子設計的機器學習

根據分子機器學習中的標準協議,研究者使用藥物和輔料的化學子結構和物理化學性質,來描述每一對藥物-賦形劑。此外,研究者在總結統計分子間距離、勢能和動能的基礎上,進行了短期的MD模擬,以量化藥物和輔料之間的非共價相互作用勢。這些計算,使得每對藥物賦形劑生成了4515維描述符。如上所述,從高通量共聚集實驗中,收集的1440個數據點被用作訓練集(圖1a和圖1c)。鑒於隨機森林機器學習模型,在分子機器學習方面的穩健性能和其內在的選擇相關特徵的能力,在此,研究者採用了隨機森林機器學習模型。該模型在基於十倍交叉的回顧性評估中,表現出了良好的性能,並忽略一種藥物的驗證,這表明研究者的模型準確地捕捉了共聚集關係,並能夠為一種新藥物優先選擇合適的輔料。

一個模型,包括所有參數類型是最準確的預測共聚集的結果,儘管特徵重要性分析表明,模擬導出的定量分子相互作用和輔料的折XX率,是最有信息的預測共聚集。參數燒蝕實驗證實了,研究者的機器學習模型中最重要的特徵相關性。最後,在訓練數據的隨機子集上訓練的模型的袋外性能顯示,模型性能正在收斂(圖1d),表明額外進行的多輪篩選,很可能不會導致模型質量的顯著改善,也不會提倡通過預測模型,更直接地獲取額外數據。

為此,研究者使用他們的機器學習模型,對所有788種聚合藥物,與2686種可用輔料中的任何一種組合的完整共聚合景觀進行了建模。總計,共有210萬種配方通過計算,評估了它們形成自組裝共聚合納米粒子的能力。考慮到對所有210萬個組合進行MD模擬是不可行的,研究者應用了專門針對化學和物理化學性質訓練的機器學習模型。改進后的模型回顧性表現稍低,但計算性較高。機器學習模型預測了,總共有38464種組合(1.8%的所有可能對)共聚集成納米顆粒(圖1e)。

圖2. 計算預測的藥物-輔料組合形成納米顆粒

圖片來源於Nat. Nanotechnol.

電腦模擬設計的納米粒子改善了藥物分散

在此,研究者選取了六種計算預測的共聚集組合進行實驗測試,具體選擇了新型輔料(圖2, I-III)、新葯(圖2, IV和V)或新型藥物與輔料的組合(圖2,VI)。利用DLS來測量所選藥物的膠體自聚集體的大小,這六種藥物都自聚合成微米大小的多分散結構。透XX電子顯微鏡(TEM),顯示了一系列複雜的顯微結構(圖2a)。當藥物與輔料混合時,DLS表明形成了單分散的納米級共聚集體。利用透XX電鏡對藥物輔料樣品進行成像,證實所選藥物與輔料共聚集形成均勻的納米粒子群(圖2b)。

為了進一步評估納米顆粒分散的穩定性,研究者通過增加藥物和輔料濃度來提高納米顆粒濃度,同時在生產過程中保持藥物與輔料的比例。除奈非那韋-核黃素外,所有的納米顆粒共聚集體,在高達1 mM的高藥物濃度下都表現出清晰或乳白色的分散;無賦形劑的藥物迅速沉澱(圖2c)。納米顆粒形成了穩定的分散體,與不添加輔料的藥物相比,納米顆粒在較長時間內保持高藥物濃度,但奈非那韋除外(圖2d)。

為了研究控制共聚集的非共價力,研究者使用他們建立的參數,對20個藥物和20個輔料分子的更大體系,進行了額外的MD模擬(圖2e)。每個藥物賦形體系統,都與特定的非共價力的不同模式相互作用,這表明納米粒子的共聚集是由複雜的分子識別機制和各種非共價相互作用控制的。

展望與結論

基於小分子的納米顆粒系統,是納米醫學的一個重要補充,使高負載的納米載體快速產生,用於拯救生命的治療。高載藥量最終將降低賦形劑,引發不良反應的風險,減少給藥量,提高依從性和生活質量。在此,研究者通過機器學習和高通量實驗,擴大了這項技術的範圍。

此外,聚集環境可以為適應性系統的發展提供進一步的機會,這種系統可以在特定的原位共聚集,例如在胃環境中。為了更好地選擇特定的納米粒子以適應不同的應用,利用相關方法,來預測這些納米粒子的物理性質將是十分有用的。研究聚焦的納米粒子組,可以實現尺寸預測。研究者提供了進一步的證據表明,納米顆粒的大小與顆粒穩定性相關(圖2)。此外,研究者數據表明,預測不確定性測量和MD分析,可以用於預測納米顆粒的穩定性。預測生物分佈和釋放動力學等更複雜性質的模型,將進一步促進納米顆粒的選擇。通過加速納米藥物的發展,該方法及其擴展將是實現個性化藥物輸送的重要一步。

模型代碼下載

https://github.com/DanReker/CoAggregators

參考文獻

Daniel Reker, Yulia Rybakova, Ameya R. Kirtane, Ruonan Cao, Jee Won Yang, Natsuda Navamajiti, et al., Computationally Guided High-Throughput Design of Self-Assembling Drug Nanoparticles, Nature Nanotechnology, 2021, ASAP. DOI: 10.1038/s41565-021-00870-y.

中大唯信頭條號與中大唯信公眾號、唯信計算訂閱號均由中大唯信科技有限公司運營,歡迎關注轉發,未經授權禁止轉載


推薦閱讀