mRNA 疫苗的成功，标志着以序列编码药物功能已从概念验证走向现实应用。但当应用目标由肝脏拓展至肺、脑和免疫系统时，递送瓶颈随即显现。决定 mRNA 成药边界的，往往不是序列本身，而是载荷能否跨越一连串低概率递送环节，并在可制造、可重复的前提下，于目标细胞内实现有效表达。基于此，本文从递送出发，重新审视 mRNA-LNP 的设计逻辑，并讨论 AI 如何推动其由单点优化走向载荷—载体—工艺的协同设计。
导 读
信使核糖核酸技术（Messenger RNA, mRNA）最引人注目之处，在于药物功能几乎可以由序列直接编码；其最核心的挑战，则在于“写得出”并不等于“送得到”。脂质纳米颗粒（Lipid Nanoparticle, LNP）并非简单的包裹材料，而是药物暴露、细胞进入、胞质释放与免疫调控共同发生的药效接口。AI的引入，改变的不止是筛选速度，更在于它让递送第一次能够作为一个可学习、可约束、可协同优化的系统来设计。
图1 AI驱动的 mRNA-LNP 递送跨尺度协同设计框架
一、递送，决定mRNA药物的上限
新冠mRNA疫苗证明了这一路线的临床可行性，也让mRNA-LNP从概念验证走向平台型技术。但从能够编码到真正成药，中间还隔着一整条严苛的递送链：药物要在体内稳定存在，跨过组织屏障，被目标细胞摄取，再从内体释放到胞质。走出肝脏这一相对易于实现递送的器官后，肺、脾、免疫细胞乃至中枢神经系统都会呈现完全不同的障碍。因此，对mRNA药物而言，序列决定可编码的功能空间，递送则决定其中哪一部分能够转化为真实的治疗指数。
图2 AI-LNP设计：从经验试错到跨尺度协同工程
二、LNP不是配方表，更像是“做出来”的材料
LNP之所以长期依赖试错，不是因为某一个参数特别复杂，而是因为几乎所有变量都彼此耦合。换句话说，同样一张配方表，只要辅脂组成、N/P比或微流控制备条件稍有变化，做出来的颗粒大小、形貌、包封率和体内命运就可能明显不同。可离子化脂质既要在血液中尽量接近中性，以降低系统毒性；又要在内体酸化后迅速质子化，帮助扰动内体膜并促进载荷释放。经验上，较优的有效pKa常落在6.2–6.8的窗口；但即便颗粒顺利入胞，真正逃离内体并进入胞质的载荷比例通常仍不足10%。更关键的是，LNP进入体液后并不会保持原始身份，而会在生物界面中被重新定义；递送失败往往不是单一参数失灵，而是材料身份在体内被改写。进入血液后形成的蛋白冠，还会进一步重塑其分布和免疫相互作用。LNP不是一张静态配方表，而是一种由成分和工艺共同定义、并在体内持续演化的复合材料。因此，配方同而工艺异，未必是同一种材料；一旦混合动力学和溶剂交换历史改变，颗粒的内部结构、表面呈现和体内命运就已经不同。工艺不是后端制造细节，而是材料属性的一部分。如图2所示，这正是传统单因素试错屡屡失灵的根源。
图3 AI驱动的可离子化脂质发现与优化
三、AI改变的，不只是筛选速度
在分子发现层面，过去研究者往往先合成、后筛选；如今，AGILE在约1,200种脂质上学习构效关系，筛得H9、R6等对肌肉和巨噬细胞更优的候选；LiON基于9,000余个LNP数据，在约160万种虚拟脂质中锁定FO-32、FO-35等肺递送候选；LUMI-lab则进一步把基础模型、主动学习与自动化实验连成闭环，自主测试1,700余个LNP，并报道了20.3%的小鼠肺上皮基因编辑率。如图3所示，AI的价值不在于替代实验，而在于重新组织实验。这些工作共同说明，AI优化的已不是单个分子的静态活性，而是可合成化学空间、实验预算与递送终点之间的搜索策略。
AI进一步改变了配方与工艺优化逻辑。COMET和TuNa-AI等平台开始把分子结构、配方比例与工艺历史一起建模，使优化目标从单一药效指标扩展到粒径、多分散指数（Polydispersity Index, PDI）、包封率、稳定性和制造窗口。对于真正进入开发流程的LNP，关键质量属性往往并非抽象概念，而是与粒径60–100 nm、PDI <0.2、包封率 >85%等指标，以及放大制备和储存稳定性直接相关。现有研究也提示，这类闭环优化不仅追求目标性能，也有助于提升颗粒形成成功率。如图4所示，成熟的AI-LNP设计，目标不是把某一指标推到极值，而是寻找对放大扰动、原料波动和储存条件更不敏感的稳健设计区域，而非脆弱的单点最优。
AI还让体内靶向第一次变得可学习。临床LNP静脉给药后常天然偏向肝脏，这并不是某个脂质单独决定的属性，而是蛋白吸附、血管结构、细胞摄取与胞内运输共同作用的结果。条形码混池筛选、单细胞读出以及选择性器官靶向（Selective Organ Targeting, SORT）、可离子化磷脂（Ionizable Phospholipids, iPhos）等策略真正改变的，不只是通量，而是把原本难以拆解的器官及细胞归巢现象，转写为可在器官与细胞分辨率上学习的映射问题。如图5所示，靶向性并非写在单个分子里的固定标签，而是整个颗粒与给药路径、生物界面和组织屏障共同形成的结果。
图4 LNP工艺优化：从单点最优到稳健设计区域
四、真正的难点，已不只是模型
比模型更重要的，是问题定义本身是否准确。当前AI-LNP研发最稀缺的，并不是新的算法名称，而是标准化数据、机制性标签以及面向临床转化的现实约束：体外转染并不等于体内有效，内体逃逸仍缺乏可规模化的高质量读数；而真正面向临床的设计，也必须更早把稳定性、批次一致性、放大制造和化学成分生产与质量控制（Chemistry, Manufacturing, and Controls, CMC）要求纳入目标函数。AI-LNP研发并不存在脱离适应证的统一最优解，例如：疫苗需要一定免疫激活，蛋白替代与基因编辑却更强调低炎症、可重复给药和长期耐受。下一阶段的关键，不再是孤立优化某个脂质或某段序列，而是面向适应症的载荷—载体—工艺的协同设计。
图5 LNP机制探索：从器官归巢表型到真正可学习的器官—细胞映射
总结与展望
mRNA-LNP研发的核心瓶颈已从单纯的“筛选强效新型脂质”转向递送过程的系统工程化。决定成药转化上限的，并非单一可电离脂质的构效关系，而是纳米颗粒的初始状态（由配方与工艺决定）在跨越生物界面、组织屏障、细胞摄取、内吞分选及胞质释放等体内过程中的动态演变。因此，LNP并非惰性载体，而是在体内发生持续响应与重构的动态生物材料。在此背景下，AI的核心价值不再局限于提升筛选通量，而是首次实现了对“结构—工艺—体内状态—生物学命运”全链条的约束优化，并将CMC要求前置。未来，将mRNA-LNP拓展为普适性通用药物体系的关键，在于能否实现组织/细胞靶向性、胞质递送效率、低免疫原性与制造稳健性的多维同步优化。
责任编辑
胡金辉 五邑大学
匡 晓 上海交通大学医学院附属仁济医院浦南分院