基于微流控与机器学习自调节平台的脂质纳米粒智能化制备与优化研究

《Journal of Controlled Release》：Gut-initiated mucosal and systemic immunity against SARS-CoV-2 via an oral hyaluronic acid/chitosan vaccine coacervate

本研究针对脂质纳米粒(LNP)配方参数空间庞大、传统优化方法耗时费力的问题，开发了一种集成计算流体动力学(CFD)模拟、机器学习(ML)与自动化微流控技术的自调节平台。研究人员通过模拟 staggered herringbone mixer (SHM) 中的混合动力学，结合随机森林(RF)算法构建了LNP粒径和包封效率(EE)的预测模型，并成功实现了基于总流速(TFR)自动调整的闭环优化系统。该工作为高效探索LNP配方设计空间提供了创新方法，对加速核酸药物递送系统开发具有重要意义。

　　

在生物医药领域，脂质纳米粒(LNP)作为基因递送载体已经展现出巨大潜力，特别是在mRNA疫苗开发中取得了突破性成功。然而，LNP的配方优化过程依然面临严峻挑战：配方参数组合近乎无限——包括可电离脂质、辅助脂质、胆固醇和脂质聚合物的种类与比例，以及微流控制备过程中的总流速(TFR)、流速比(FRR)等关键工艺参数。这些因素共同决定了LNP的关键质量属性(CQA)，如粒径大小、多分散指数(PDI)和包封效率(EE)，进而影响其体内分布和治疗效果。传统的试错式实验筛选不仅成本高昂，而且效率低下，严重制约了新型LNP制剂的开发进程。

为了突破这一瓶颈，来自德国维尔茨堡大学的研究团队在《Journal of Controlled Release》上发表了一项创新性研究，他们成功开发了一种集成了计算模拟、机器学习和自动化实验的智能平台，实现了LNP配方的快速优化与自调节制备。该研究通过多学科交叉的技术融合，为复杂纳米制剂的高效开发提供了全新范式。

研究人员采用了几个关键技术方法：首先利用COMSOL Multiphysics进行计算流体动力学(CFD)模拟，分析微流控混合器内的流体混合行为；然后搭建自动化微流控平台，通过Python脚本控制LNP的制备、动态光散射(DLS)在线表征和数据存储；最后基于实验数据构建机器学习模型(特别是随机森林算法)，并利用Shapley additive explanations (SHAP)进行模型解释。研究使用了Tozinameran(Comirnaty?)的脂质组成，以Poly-A和增强型绿色荧光蛋白(eGFP) mRNA作为模型基因 cargo，系统考察了不同配方参数对LNP性质的影响。

2.1. 模拟微流控装置中的流体流动动力学

研究人员首先通过CFD模拟研究了SHM微混合器内的流体动力学行为。模拟结果显示，在典型的LNP制备流速条件下(TFR为2-6 ml/min，FRR为2-6)，混合器内处于层流状态(雷诺数Re在39-183之间)。随着流体在混合通道中的前进，乙醇相和水相逐渐均质化，herringbone结构产生的混沌对流有效促进了混合。定量分析表明，较高的TFR和FRR值均能缩短混合时间(Δt_mixing)，即混合率从20%增加到40%所需的时间，这有利于形成更小粒径的LNP。

2.2. 连接物理模拟与实验

将模拟结果与实验数据关联发现，空载LNP的粒径受FRR影响显著，较高的FRR(意味着脂质稀释度更高)导致更小的颗粒；而装载Poly-A的LNP则表现出不同的行为——装载后LNP尺寸增大，且FRR的影响减弱，这可能与装载后LNP的融合生长现象有关。重要的是，模拟得到的混合时间与实验测量的LNP粒径显示出良好的相关性，较短的混合时间对应较小的LNP尺寸，这为通过调控流体动力学参数来控制LNP性质提供了理论依据。

2.3. 数据驱动的LNP配方合理化

在获得初步实验数据的基础上，研究人员通过自动化平台大规模制备了177个Poly-A装载和120个mRNA装载的LNP样本，并利用这些数据构建机器学习模型。随机森林(RF)回归模型在预测LNP粒径方面表现出色，对于Poly-A数据集，训练集和测试集的确定系数R2分别达到0.89和0.69；对于mRNA数据集，性能略有下降(R2_TS/Q2_HS为0.72/0.61)，表明模型性能受到基因cargo特性的影响。

通过SHAP分析特征重要性发现，TFR是影响LNP粒径的最重要因素，这与CFD模拟结果一致。其他重要因素包括N/P比和PEG化脂质(ALC-0159)的含量。当将建模目标转向包封效率(EE)时，模型显示脂质浓度和N/P比对EE影响最大，这与预期相符——更高的脂质浓度和N/P比有利于更多RNA分子的包封。

此外，研究人员还开发了分类模型，将LNP按关键质量属性(粒径<120 nm且EE>80%)分类为"良好"或"不良"，准确率达到88%，为快速筛选合格制剂提供了实用工具。

2.4. 开发自调节机制

基于CFD模拟和机器学习获得的洞察，研究人员成功将自调节机制集成到微流控平台中。用户只需设定目标粒径和允许偏差(如10%)，系统便会自动选择最优初始参数启动制备过程。如果实测粒径超出允许范围，系统会根据偏差程度自动调整TFR(±0.5或±1 ml/min)并重新进行制备-表征循环。测试结果显示，这一机制在多数情况下能在2-3个循环内成功获得符合要求的LNP，证明了该自调节策略的有效性。

这项研究的创新之处在于成功地将物理模拟、数据科学和实验自动化紧密结合，创建了一个智能化的LNP配方优化平台。不仅深化了对微流控过程中参数-性质关系的理解，而且实现了"设定目标-自动优化"的智能化制备流程。相比传统的试错方法，这一方法显著提高了研发效率，为个性化核酸药物的快速开发提供了强大工具。尽管当前研究主要关注粒径控制，但该平台架构可扩展至其他关键质量属性的优化，甚至适用于不同治疗性基因cargo的LNP配方探索。未来，引入主动学习元素，使系统能够自主提出新的实验方案并持续优化模型，将进一步增强这一平台的智能化水平，推动LNP制剂开发向全自动化、高通量方向迈进。