Skip to main content

Polymer design via SHAP and Bayesian machine learning optimizes pDNA and CRISPR ribonucleoprotein delivery

· 4 min read
Rishad J. Dalal
University of Minnesota 연구원

논문 정보​

  • 제목: Polymer design via SHAP and Bayesian machine learning optimizes pDNA and CRISPR ribonucleoprotein delivery
  • 저자: Rishad J. Dalal (University of Minnesota), Felipe Oviedo (Nanite Inc., University of Minnesota), Michael C. Leyden (University of Minnesota), Theresa M. Reineke (University of Minnesota)
  • 학회/저널: Chemical Science
  • 발행일: 2024-04-22
  • DOI: 10.1039/d3sc06920f
  • 주요 연구 내용: 길이, 이원 조성, pKavpK_{av}, 소수성(clog P)을 체계적으로 변화시킨 폴리머 라이브러리를 합성함. SHAP(SHapley Additive exPlanations) 분석과 베이지안 최적화(BO) 머신러닝을 결합하여 plasmid DNA(pDNA) 및 CRISPR-Cas9 리보핵단백질(RNP) 전달을 위한 정량적 구조-특성 관계를 해석하고 최적의 제형을 예측함.
  • 주요 결과 및 결론: pDNA 전달에는 낮은 폴리머 pKapK_{a}와 높은 benzimidazole ethanethiol(BET) 비율이 유리한 반면, RNP 전달에는 더 긴 폴리머 길이와 captamine(Cap) 양이온이 더 효과적임을 발견함. 머신러닝으로 최적화된 상위 3개 폴리머는 생체 내(in vivo)에서 대조군보다 1.7배 향상된 유전자 발현을 보이며 20일 이상 안정적으로 유지됨.
  • 기여점: 핵산의 종류에 따라 최적의 전달체 설계 파라미터가 다르다는 것을 설명 가능한 머신러닝(SHAP)을 통해 처음으로 규명함. 합성, 특성 분석, 머신러닝을 결합한 파이프라인을 제시하여 차세대 핵산 약물 전달체 개발을 가속화할 수 있는 강력한 도구를 제공함.

요약​

초록​

길이, 조성, pKavpK_{av}, 소수성이 다른 폴리머 라이브러리를 합성하여 pDNA와 CRISPR-Cas9 RNP의 세포 내 전달 성능을 최적화했다. 머신러닝을 통해 432개 제형을 분석한 결과, pDNA 전달에는 낮은 폴리머 pKapK_{a}와 높은 benzimidazole ethanethiol(BET) 비율이, RNP 전달에는 긴 폴리머 길이와 captamine 양이온이 중요하다는 상반된 설계 파라미터를 발견했다. 베이지안 최적화를 통해 시험관 내 성능을 더욱 향상시켰고, 최종 선별된 상위 3개 폴리머는 생체 내 실험에서 대조군보다 1.7배 향상된 성능과 20일 이상의 안정적인 유전자 발현을 보였다. 이 연구는 합성, 특성 분석, 머신러닝을 결합하여 차세대 핵산 약물 전달체 개발을 가속화하는 방법을 제시한다.

서론​

핵산 치료제는 유망한 치료법이지만, 전달 효율 문제로 임상 적용에 어려움을 겪고 있다. 바이러스성 전달체의 한계를 극복하기 위한 대안으로 비바이러스성 전달체인 고분자가 주목받고 있다. 고분자는 화학적/물리적 변형이 쉽고 저렴하게 대량 생산이 가능해 잠재력이 크지만, 아직 성능이 낮아 활용이 저조하다. 이 연구에서는 병렬 실험과 머신러닝을 결합하여 방대한 화학 공간에서 최적의 고분자 전달체를 효율적으로 탐색하고, pDNA와 CRISPR RNP 전달에 영향을 미치는 핵심 물리화학적 특성을 규명하고자 한다.

모델 아키텍처 / 방법론​

Figure 2

  • 핵심 구조/방법: RAFT 중합을 통해 세 가지 길이(Sh, Md, Lg)의 고분자 골격을 합성한 후, Thiol-ene 클릭 화학을 이용해 소수성 양이온인 BET와 다른 세 종류의 공양이온(Cys, Cap, DiE)을 체계적인 비율로 도입했다. 이를 통해 총 36개의 공중합체 라이브러리를 구축하여 물리화학적 특성을 조절했다. 이 과정은 논문의 Figure 2A에 도식화되어 있다.
  • 주요 구성 요소:
    • 고분자 골격 (Scaffold RU): 짧은(Sh, N=90), 중간(Md, N=190), 긴(Lg, N=250) 세 종류의 길이를 가진다.
    • 양이온 (Cations): 소수성을 부여하는 Benzimidazole ethanethiol (BET)과, 정전기적 결합을 촉진하는 Cysteamine (Cys), Captamine (Cap), 2-(diethylamino)ethanethiol (DiE)을 사용했다.
    • 물리화학적 특성: 각 고분자의 양성자화 상태(pKapK_a)와 소수성(clog P)을 측정하고 이를 핵심 변수로 활용했다.
  • 알고리즘:
    • SHAP (SHapley Additive exPlanations): 고분자의 특성(길이, 양이온 종류, BET 비율, pKapK_{a} 등)이 유전자 발현 및 세포 생존율에 미치는 영향을 정량적으로 분석하여 각 특성의 중요도를 파악했다.
    • 베이지안 최적화 (Bayesian Optimization, BO): SHAP 분석 결과를 바탕으로, 제한된 수의 실험만으로 최적의 제형 비율(N/P ratio)을 효율적으로 예측하고 검증했다.

실험 결과​

Figure 6

  • 주요 데이터셋: HEK293T 세포를 사용하여 pDNA(GFP 발현) 및 RNP(mCherry 발현) 전달 효율과 세포 독성을 평가했다. 최종 선별된 고분자는 마우스 모델에 정맥 주사하여 생체 내 루시퍼라아제 발현 효능을 장기간 관찰했다.
  • 핵심 성능 지표:
    • pDNA 전달: Sh*DiE_40 폴리머가 N/P=10에서 75%의 GFP 발현율을 보여 대조군(JetPEI, 77%)과 유사한 최고 성능을 보였다. SHAP 분석 결과, 낮은 pK∗apK*{a}와 높은 BET 비율이 GFP 발현에 긍정적인 영향을 미쳤다.
    • RNP 전달: Lg_Cap_0 폴리머가 N/P=5에서 약 6%의 mCherry 발현율을 보여 대조군(JetPEI, 1%)보다 6배 높은 성능을 보였다. SHAP 분석 결과, 긴 폴리머 길이와 Cap 양이온이 RNP 전달에 더 중요했다.
    • 생체 내(In vivo) 결과: SHAP과 BO로 선별된 상위 폴리머들은 20일 동안 대조군보다 높고 안정적인 유전자 발현을 유지했다. 특히, 발현 감소율이 대조군보다 1.7배 낮아 장기적인 효과를 보였다. 실험 결과 그래프는 논문의 Figure 6A에서 확인할 수 있다.
  • 비교 결과: pDNA와 RNP 전달에 유리한 고분자의 화학적 특성이 명확히 달랐다. pDNA 전달에는 소수성(BET)과 낮은 pKapK_{a}가 중요했지만, RNP 전달에는 긴 사슬 길이와 특정 양이온(Cap)이 더 중요했으며, BET는 오히려 성능을 저해하는 경향을 보였다.

결론​

체계적인 고분자 합성, 병렬 스크리닝, 그리고 머신러닝(SHAP, BO)을 결합한 효율적인 워크플로우를 성공적으로 구축했다. 이 접근법을 통해 pDNA와 RNP라는 서로 다른 핵산 전달에 최적화된 고분자 설계 원리가 다르다는 것을 정량적으로 규명했다. 본 연구에서 제시된 방법론은 방대한 후보 물질 중에서 최적의 전달체를 효율적으로 발굴하여 차세대 핵산 치료제 개발을 가속화할 수 있는 강력한 플랫폼을 제공한다