《Digital Discovery》：Machine learning-guided design rules for lipid nanoparticles to prioritize nucleic acid deliveryOpen Access
编辑推荐：
脂质纳米粒（LNPs）是核酸递送的主要平台，然而合理的制剂设计仍具挑战性，因为生物活性源于脂质化学、制剂组成和实验背景的耦合效应。机器学习（ML）模型能够捕捉这些关系，但高维且高度相关的描述符空间使解释及其向可实验操作的结构-活性关系转化变得复杂。本研究开发了
脂质纳米粒（LNPs）是核酸递送的主要平台，然而合理的制剂设计仍具挑战性，因为生物活性源于脂质化学、制剂组成和实验背景的耦合效应。机器学习（ML）模型能够捕捉这些关系，但高维且高度相关的描述符空间使解释及其向可实验操作的结构-活性关系转化变得复杂。本研究开发了一种分层特征精炼与规则挖掘框架，用于识别紧凑、稳健的物理化学表征，并将其转化为LNP设计的定量优先级排序规则。从17 116个精选LNP制剂中，主要体外分析包含14 713个制剂并赋予来源相对活性标签。初始881个特征表征被缩减至420个质量控制特征，在选定LightGBM作为主要模型前对七种机器学习算法进行了基准测试。跨互补标签、化学泛化和模型家族条件的三阶段精炼产生了包含7–15个特征的最终表征，反复出现的信息集中于静电、亲脂性、折射率、结构和制剂组成域。敏感性引导的规则挖掘产生了一个冻结的1025条规则的主要规则手册，包含与较高体外活性相关的排序多变量区域。在来源不相交的独立验证中，17条可评估Top-25规则中有15条保留了正向来源调整富集，中位调整提升为1.376，开发到验证的秩相关系数为0.701。在体内也观察到可迁移性：尽管无限制的367特征体内表征仍占优势，但Phase 1至Phase 3的渐进精炼仅造成很小的额外性能损失，且所有19条可评估Top-25冻结体外规则在体内均保持来源调整富集。这些结果建立了一个稳健的、不确定性感知的框架，用于提取紧凑的物理化学信息以及排序的、数据支持的结构-活性关系区域，可支持跨异质实验环境的LNP候选优先级排序。
研究背景方面，脂质纳米粒（LNPs）已成为信使RNA（mRNA）和小干扰RNA（siRNA）等核酸治疗药物递送的多功能平台，其临床相关性已通过FDA批准的siRNA制剂及mRNA新冠疫苗得到巩固。LNPs通常由可电离脂质、磷脂/辅助脂质、胆固醇和聚乙二醇（PEG）-脂质四种核心组分构成，可通过调节实现稳定性、循环时间和递送效率的精细调控。已有研究表明脂质组分化学结构的微小变化可显著影响LNP功效和生物分布，因此建立定量结构-活性关系（QSAR）是合理LNP设计的核心目标。然而，LNP活性源于脂质化学、组成和实验背景的耦合效应，单一改变的影响往往依赖于其他因素，加之测量方案非标准化，使得构建广泛预测且可解释的QSAR模型变得困难。近年来机器学习技术被用于捕捉高维描述符空间中的隐藏结构-活性映射，但现有研究仍面临数据集规模和组成覆盖有限、模型可解释性受限、以及对结构不同LNP化学泛化不确定性等挑战。此外，特征归因方法如Shapley加法解释（SHAP）虽能识别模型中影响较大的描述符，但无法确定哪些变量是保持预测信息所必需的，也无法将其值转化为实验可用的SAR标准。分子描述符常高度相关且部分冗余，模型重要性可在相关变量间分散，替代描述符组合可保留相似预测信息，且特征架构可能依赖于活性标签定义、模型架构及训练测试数据间允许的化学相似度。因此，区分可重现的物理化学信息与模型或数据集特定的描述符选择，并确定模型开发中衍生的SAR区域是否在未见数据中保持富集，具有重要意义。
针对上述问题，研究人员开展了分层机器学习框架研究，旨在将高维LNP表征逐步解析为紧凑的性能保持描述符集，并将保留信息转化为排序的定量SAR区域。研究得出以下结论：跨互补活性标签、交叉验证和模型家族条件，三阶段精炼程序产生的最终表征仅含7–15个描述符，同时保持大量预测信息；尽管精确描述符在不同稳健性案例间存在差异，反复出现的信息集中于静电、亲脂性、折射率相关、结构和制剂组成域，表明在更广泛物理化学信息层面的稳定性高于单个描述符身份层面；敏感性引导规则挖掘产生含1025条排序多变量区域的主要规则手册，独立来源不相交验证显示可迁移性强烈依赖于排名，17条可评估Top-25规则中15条保留正向来源调整富集，开发到验证调整提升相关系数为0.701，而规则手册越靠后迁移性逐步减弱；回顾性体内分析进一步支持精炼信息的可迁移性同时界定其限度，无限制体内特征表征仍为最强预测基线，但Phase 1至Phase 3压缩至14–15个描述符时几乎无额外性能损失，所有可评估Top-10和Top-25冻结体外规则及36条可评估Top-50规则中35条在来源调整后体内仍保持正向富集。这些结果表明分层特征精炼和不确定性感知规则挖掘可恢复紧凑且可迁移的物理化学信息及高优先级SAR区域用于LNP候选筛选，这些区域应视为数据支持的优先级排序标准而非普遍机制或功效阈值，标准化实验条件下的前瞻性验证仍是重要下一步。
关键技术方法方面，研究人员从脂质纳米粒数据库（LNPDB）精选17 116个LNP制剂，体外数据按报告实验读数组织，分子结构标准化为简化分子线性输入规范（SMILES）表示，制剂、生物背景和货物相关分类变量转换为固定独热编码。主要体外活性分析结合归一化发光和归一化离散发光两种功能读数，因测量来自不同研究且测定条件、对照和动态范围不同，绝对活性值不直接可比，故在每个数据源内独立分配活性标签，采用一维k均值聚类（k=2）将制剂分为较低和较高活性两类，并生成HC10和HC20高置信度标签变体用于边界敏感性分析。特征工程方面，每个LNP制剂使用RDKit CalcMolDescriptors函数对可电离脂质、辅助脂质、胆固醇组分和PEG脂质独立计算分子描述符，排除Ipc描述符后每种组分209个RDKit描述符，共836个组分级分子描述符，补充三个自定义分子描述符、五个制剂组成变量和37个固定模式独热实验背景变量，形成881个有序特征的前质量控制表征。质量控制仅基于开发分区定义，移除461个恒定分子描述符后保留420个特征。模型选择方面，初始评估七种监督学习算法包括平衡随机森林、类加权随机森林、Extra Trees、XGBoost、LightGBM、CatBoost和线性支持向量机（SVM），超参数在专用超参数分区上使用五折分层交叉验证优化，以宏F1为主要优化标准，最终选择LightGBM作为主要建模骨干。化学感知分组使用基于Morgan指纹（半径=2，2048位，启用手性）的Butina聚类，Tanimoto相似度阈值0.70用于化学感知交叉验证。分层特征精炼包括Phase 1粗精炼（基于SHAP主效应和交互伙伴保留及相关性簇救援的迭代剪枝）、Phase 2描述符类水平精细精炼（评估所有非空描述符类子集）和Phase 3个体描述符水平最精细精炼（对锁定池进行穷举子集评估）。规则挖掘使用经验分位数离散化连续描述符，候选规则为描述符条件 conjunction，筛选最小支持和精度，要求双侧95% Wilson置信下界不低于开发流行率，排序偏好保守富集并惩罚不必要复杂性。独立验证在规则手册冻结后进行，使用来源调整富集评估。体内可迁移性分析使用独立精选的体内数据，包括归一化发光、归一化肽丰度和归一化蛋白丰度三种功能读数，共1202个制剂来自八个来源。
研究结果方面，Phase 1粗精炼识别了紧凑且稳健的预测特征空间：在四种测试的SHAP主效应/交互设置中，迭代5特征数从77至151变化而宏F1保持在约0.771–0.779，成对核心保留为0.974–1.000；所选0.75/0.25设置实现了最强早期压缩而未实质性改变中心预测特征核心；五个案例中应用所选精炼规则产生快速初始压缩随后逐渐减慢的剪枝，第一迭代即将420特征表征缩减至187、183、188、159和192个特征，至迭代5进一步收缩至77、87、81、87和54个特征；预测轨迹表明强降维可在分类性能不大幅崩溃情况下实现，参考案例1平均宏F1在轨迹早期和中期保持接近预精炼水平，包括迭代6时76个保留特征下为0.783而预精炼LightGBM基准约0.781；迭代25特征集比较显示精炼表征核心在分析扰动下稳健，五个端点集成对核心保留值约0.83–0.96，23个特征存在于所有五个迭代25集中包括多个可电离脂质BCUT、EState/VSA、亲脂性、结构和制剂组成描述符；Pareto筛选和重复交叉验证不确定性分析选择案例1–5的交接点分别为迭代10、12、5、22和5，含69、58、81、52和54个特征，较420特征起始空间减少约81–88%。
精细精炼揭示了反复出现但非唯一的类水平预测架构：Phase 2大幅缩减Phase 1特征空间同时证明最大预测性能不需要保留每个描述符域，五个Phase 1交接代表10、11、11、10和10个描述符类产生7163个穷举非空类组合，每个稳健性案例中全可用类表征均非宏F1数值最优，全类模型宏F1分别为0.77327、0.79733、0.82672、0.64296和0.74657而对应数值最佳组合达0.77676、0.79884、0.82961、0.67296和0.74783；不确定性筛选选择Phase 2候选含31、41、42、12和26个个体特征，宏F1值分别为0.77659、0.79845、0.82961、0.67104和0.74767，相对数值最佳仅下降0.00017、0.00039、0、0.00192和0.00016；所选架构不完全相同但含反复出现的物理化学骨干，七个描述符类——元素和官能团、亲脂性、摩尔折射率、静电、复合/指纹、制剂组成和实验背景——在五个所选候选中出现四次，大小和形状、拓扑和极性各出现两次，EState未出现在任何五个最终Phase 2候选中尽管在几个Phase 1交接中是较大类之一，环和芳香性已在Phase 2前消失；匹配边际贡献分析进一步区分频繁有用域和背景依赖域，静电在案例1、2、3和5中所选类间显示最大平均正边际贡献而大小和形状及摩尔折射率主导紧凑化学感知案例4架构，制剂组成在LightGBM分层案例中一致有用尽管组成变量单独不定义完整预测方案，实验背景在四个LightGBM选择中反复出现但不应解释为分子设计规则而是提供跨异质来源数据的测定或生物背景调整；成对交互分析以接近零效应为主表明许多类对近似可加性贡献，最可重现负交互涉及静电和EState，五个案例中平均二阶性能效应约?0.012至?0.019宏F1，其他负交互常涉及亲脂性、静电、折射率或大小相关域，这些效应表明某些信息域组合时预测回报递减但不建立物理拮抗或严格冗余；跨案例相似性支持稳定预测核心与唯一类分解间的区分，最终Phase 2选择间成对Jaccard相似度范围0.10至0.857均值0.498而对称核心保留范围0.25至1.00均值0.788，高核心保留常反映紧凑类集嵌套于更广泛架构而非完全等价，例如整个六类案例1架构包含于案例2和3中而四类化学感知集完全包含于案例2但仅与随机森林选择共享四类中一类，因此标签置信度和模型架构保留大部分主要信息结构而化学感知评估产生最独特类水平解决方案。
Phase 3最精细精炼解析了紧凑描述符水平解决方案：一次性SHAP压缩将较大Phase 2交接缩减至案例1、2、3和5的18特征输入池同时保留大部分参考性能，案例4保持其已可处理的12特征交接，HC20显示最大压缩相关下降故明确视为计算可行性权衡而非与未压缩表征等价的证据；穷举个体特征精炼产生案例1–5最终选择集分别为15、15、14、7和13个描述符，案例1和2保留数值最佳维度而案例3–5实现额外压缩且宏F1相对数值最佳仅变化?0.00030、?0.00349和?0.00069，四个分层分支因此收敛至13–15个描述符而化学感知分支产生独特七特征解决方案；性能-复杂性景观显示跨案例相同广泛行为即前几个特征获得快速增益随后回报逐渐递减，例如案例1最佳观测宏F1从1个描述符的0.67968增至6个的0.75067和15个的0.76865，HC10对应值为0.66796、0.77241和0.79477，HC20为0.70962、0.80751和约0.824，化学感知案例为0.59756、0.66681和0.67499，随机森林分支为0.71598、0.76108和0.77426，因此保留锁定Phase 3池中每个描述符并非最大性能所需；最终描述符反映反复出现的分子和制剂水平信息但无单一精确描述符集主导所有案例，BCUT2D_CHGLO_il、il_to_mrna_massratio和peg_molratio出现在所有四个分层最终集中而若干电荷、亲脂性、折射率和制剂相关描述符在三个案例中反复出现；匹配边际贡献分析强化这些主题但也显示案例特定主导描述符，FpDensityMorgan1_il在案例1中平均贡献最大，MaxPartialCharge_il在HC10和HC20中均占主导，FractionCSP3_il在指纹分组评估下最强，PEOE_VSA1_hl在随机森林案例中最强，这些量反映所选多变量架构内预测贡献而非因果解释；静电描述符的反复出现提供精炼体外特征集与先前涉及LNP递送的物理化学因素间化学合理连接，BCUT2D_CHGLO_il保留在所有四个分层最终表征中而BCUT2D_CHGHI_il、MaxPartialCharge_il、MinAbsPartialCharge_il或MinPartialCharge_il及PEOE-VSA描述符出现在多个案例中，这些描述符不直接测量表观pKa、LNP表面电荷或zeta电位而是编码分子电荷分布和电荷加权结构的互补方面，其反复出现与实验研究显示可电离脂质头基化学、电离行为和氢键特征可强烈影响LNP性能相容；第二反复主题涉及亲脂性、摩尔折射率和分子结构组织，SlogP_VSA描述符、MolLogP_il和BCUT2D_LOGPLOW_il代表亲脂性相关信息而SMR_VSA3、SMR_VSA6和摩尔折射率加权BCUT描述符捕捉互补折射率和极化率相关信息，化学感知分支额外强调FractionCSP3_il、Kappa3_il和SPS_il表征饱和度、分子形状和拓扑复杂性；制剂组成构成另一主要反复信息域并提供与实验可控设计变量更直接连接，可电离脂质:mRNA质量比和PEG-脂质摩尔比保留在所有四个分层最终集中，辅助脂质摩尔比在三个案例中反复出现而可电离脂质摩尔比在两个案例中保留；成对特征交互相对最强边际贡献通常较小与许多描述符对近似可加性预测效应一致，相关电荷和亲脂性描述符间反复负交互表明预测回报递减而非机制拮抗而若干正交互连接制剂组成变量与分子描述符；精确特征稳健性随精炼进展至个体描述符水平而下降，五个最终Phase 3候选间平均成对Jaccard相似度为0.223平均对称核心保留为0.385，然而将这些精确描述符映射回冻结Phase 2信息域将平均Jaccard相似度增至0.394平均核心保留增至0.703，亲脂性、摩尔折射率、静电和制剂组成各出现在五个映射最终架构中四个，这种类水平相似性恢复表明部分明显描述符水平不稳定性反映从相关物理化学域选择替代代表而非预测信息整体改变；映射类相似性增加未消除所有跨案例差异，化学感知案例4保持结构独特其七个最终描述符仅映射至大小和形状及摩尔折射率且与案例1最终集不共享任何精确特征或映射描述符类，这强化化学感知验证作为不同且更外推预测问题而非传统分层评估更嘈杂版本的解读；实验背景变量在最精细精炼中也变得较不突出，cargo_mRNA保留在案例1和2但缺席其他最终集且其在HC10中匹配边际贡献在相当部分所选集背景中小且负，因此背景信息可在特定分支中保持调整有用但最反复最终信号日益集中于分子物理化学和制剂组成；总体Phase 3将层级从数百初始描述符缩减至紧凑7–15特征模型同时保留精炼表征的主导预测性能，精确描述符比映射物理化学域变化更强的支持分层程序中心解读即粗和精细精炼识别反复信息域而最精细精炼解析这些域内案例特定代表描述符。
敏感性引导规则挖掘恢复了稳定多变量SAR架构：跨离散化、最小支持、最小精度、复杂性惩罚和最大规则阶数的一次一因素扫描，主导特征突出性和有利值区域模式在广泛操作范围内保持稳定，保留六分箱、支持50、精度0.65、λ=0.5和最大规则阶数4作为代表设置，主要结构转变发生在三阶至四阶规则而五阶规则增加很少额外覆盖或SAR结构；共同锁定配置产生案例1–5保留规则分别为1025、1479、1099、187和733条，尽管规则手册大小变化但中位精度和支持跨案例相似且三阶加四阶规则主导每个规则手册，结果表明较高活性更一致地与多变量物理化学/制剂区域相关而非孤立描述符阈值，不暗示相应描述符间物理交互。
主要规则手册揭示反复出现的制剂-物理化学设计区域：案例1排序规则手册检查显示1025条保留规则非无关阈值异质集合而是最高排名规则反复重用相对少量制剂和可电离脂质条件以重叠组合；如表2所示此行为对电荷加权可电离脂质描述符BCUT2D_CHGLO_il尤为明显，25条最高排名规则中BCUT2D_CHGLO_il出现13次且所有13次选择相同区间(?2.2609, ?2.2267]约对应开发分布第50–67百分位，重要的是该区间未保留为孤立一阶规则而是反复与制剂组成或互补分子性质条件共同出现表明相关较高活性区域以周围物理化学和制剂背景为条件；若干最高排名规则说明此反复架构，排名9规则结合有利BCUT2D_CHGLO_il区间与SlogP_VSA2_il ∈ (78.82, 99.37]耦合电荷相关分子描述符与亲脂性相关表面积描述符，规则覆盖636个开发制剂精度0.712；相同BCUT2D_CHGLO_il区间在排名15规则中与辅助脂质摩尔比 ∈ (20, 42.54]组合覆盖502个制剂精度0.731，在排名16规则中与PEG摩尔比 ∈ [0, 1.163]组合识别较窄373制剂区域精度0.823，后者尽管支持较低仍为最富集高排名区域之一；排名17出现相关分子组合相同电荷加权BCUT区域与BCUT2D_LOGPLOW_il ∈ (?2.3482, ?2.2984]配对连接电荷和亲脂性加权拓扑性质；这些规则共同识别反复出现的可电离脂质电荷区域其有利关联由互补亲脂性相关或制剂组成约束而非电荷描述符单独强化；制剂变量产生一些最直接可解释设计区域，可电离脂质:mRNA质量比10–15是案例1中唯一保留一阶规则并在HC10、HC20和随机森林规则手册顶部附近反复出现，低PEG组成另一反复 motif 出现在背景条件最高排名规则和無实验背景条件的分子/制剂组合中后者提供更直接可操作设计信号；实验背景变量在主要规则手册中也需仔细解释，特别是十条最高排名规则中四条（排名1、3、4和8）明确包含cargo_mRNA = 1表明其适用性以mRNA货物为条件，此类条件描述规则识别实验背景而非脂质制剂内在物理化学设计性质，因此这些货物依赖规则不能直接转移至携带其他核酸货物包括siRNA或DNA的制剂除非在这些背景中确立适用性，规则内分子和制剂条件仍为设计相关组分而实验背景变量应解释为规则适用性修饰符而非可推广化学设计需求；许多保留规则是相同反复SAR motif的嵌套或重叠精炼有助于解释为何含千余条目规则手册仍可围绕相对少量物理化学和制剂主题组织，因排序平衡富集、统计支持和复杂性而非仅原始精度，规则手册最好解释为用于优先级排序的局部设计区域层级而非独立命题列表；正类覆盖为案例1–5的88.2%、92.8%、93.2%、72.7%和83.8%对应总体制剂覆盖72.6%、79.3%、78.8%、52.4%和68.5%，边界排除HC10和HC20因此产生比标准k均值案例更广泛规则覆盖而化学感知案例从其七特征Phase 3架构产生相当小且更具选择性规则手册，重要的是其中位精度和支持保持与其他案例可比，化学感知结果因此代表更强结构外推下不同SAR架构而非简单较差规则集合；精确归一化特征突出性轮廓仅中度保守因五个Phase 3精炼未保留相同描述符集，相反当描述符共享时其有利值区域大幅更可重现，案例1、2、3和5间成对有利值区域相似度平均约0.81，BCUT2D_CHGLO_il、peg_molratio和il_to_mrna_massratio在四个案例中反复出现而额外静电、亲脂性/折射率和制剂组成描述符在三个案例中反复出现，因此稳健性更强表达为更广泛物理化学主题和方向性有利区域反复出现而非每个保留描述符或规则身份，化学感知分支再次为主要例外与其独特Phase 3特征架构一致；总体敏感性和跨案例分析支持规则挖掘框架不依赖窄调参数组合，所得规则手册恢复反复多变量SAR核心同时在标签置信度、化学泛化约束和模型架构下保留预期变异，规则因此最适当解释为用于优先级排序的排序数据支持设计区域而非LNP活性普遍机制约束。
独立验证支持高排名规则优先级排序：独立验证揭示冻结规则手册可迁移性强秩依赖，1025条案例1规则中421条在独立验证设计空间中表示而604条不匹配任何验证制剂，这种规则支持大量损失表明许多开发衍生规则区域未在来源不相交留出中表示并提供开发与验证间设计空间偏移直接证据；来源调整必不可少因五个验证来源较高活性流行率显著不同范围5.03%至73.70%，考虑每条规则覆盖精确来源混合后迁移性强烈集中于冻结排名顶部，六条可评估Top-10规则中五条（83.3%）保留来源调整提升大于一，17条Top-25规则中15条（88.2%）和33条Top-50规则中27条（81.8%）同样，其中位验证来源调整提升分别为1.131、1.376和1.313，至Top-100时71.2%可评估规则保持正向富集中位调整提升1.168，然而全部421条可评估规则中仅48.7%保留调整提升大于一中位降至0.992；相同秩依赖在开发到验证一致性中明显，来源调整提升Spearman相关对可评估Top-10为0.486增至Top-25的0.701而对Top-50和Top-100为0.565和0.408，全部可评估规则手册相关降至0.101，Top-25窗口因此提供最强组合证据即88.2%可评估规则保持正向富集且其相对富集在开发与验证间显示实质一致，要求验证支持至少20个制剂的更严格诊断产生相同定性结论即16条可评估Top-25规则中14条保持来源调整富集；开发数据来源调整分析也显示规则手册非简单利用来源身份即98.8%开发规则调整提升大于一中位1.308；这些结果共同验证排序而非所有规则均匀转移即高排名区域实质更可重现而富集和开发到验证一致性在长尾减弱，所有冻结规则联合覆盖99.5%验证制剂但来源调整提升仅1.0015确认规则手册应作为排序优先级排序资源而非全局分类器使用。
精炼描述符和设计规则的体内可迁移性：无限制367特征体内模型提供强预测基线，标准标签产生宏F1 0.8359 ± 0.0270平衡准确度0.8433 AUROC 0.9309和AUPRC 0.8641，性能在两个边界排除变体下增加宏F1值HC10为0.8516 ± 0.0200 HC20为0.8717 ± 0.0299，这种单调增加与移除接近来源特定活性边界观察一致而非高置信度变体构成生物学上更优目标的证据，全特征结果反而建立体内模型可使用整个质量控制体内描述符空间时可用预测性能；应用体外衍生精炼轨迹揭示跨所有三种标签定义清晰可重现模式，最大性能下降发生在无限制体内特征宇宙被Phase 1体外选择描述符替换时，标准标签宏F1从367特征的0.8359降至67个可转移Phase 1描述符的0.7739，相反进一步压缩基本性能中性即29特征Phase 2模型达0.7731最终15特征Phase 3模型达0.7679，HC10显示相同行为宏F1值基线及Phase 1–3表征分别为0.8516、0.7857、0.7936和0.7796，HC20同样从0.8717变为0.7903、0.8020和0.7993，因此特征转移轨迹为体内基线 > Phase 1 ≈ Phase 2 ≈ Phase 3而非每个精炼阶段渐进恶化；此区分对解释可迁移性重要，完整367特征体内表征保持明显优越证明仅体外活性进行特征选择未识别体内任务全局最优描述符宇宙，然而一旦模型限制于体外Phase 1后保留信息后续类水平和个体描述符精炼移除大部分特征而体内性能几乎无进一步退化，例如HC20中模型仅用14个最终描述符保持宏F1约0.80相比79个可转移Phase 1描述符，最终标准k均值Phase 3表征同样保持平衡准确度0.7779 AUROC 0.8800和AUPRC 0.7959，分层工作流因此识别体外预测描述符空间的紧凑子集其相关性在体外至体内生物活性变化中持续存在即使额外体内特定预测信息保留在该子集外；冻结规则手册转移提供正交测试因检查特定有利体外描述符区域而非仅描述符身份本身是否在体内保持富集，来源调整在此设置特别重要因八个体内来源较高活性流行率范围6.6%至90.3%，因此汇总富集可能被规则恰好覆盖来源严重扭曲，实际上94条可评估规则在以其来源组成条件化后从汇总提升低于一变为来源调整提升大于一，来源调整框架因此需要区分真实来源内富集与简单来源选择；390条1025冻结体外规则匹配至少一个体内制剂且迁移性强烈集中于原始排名顶部，所有可评估Top-10和Top-25规则保持来源调整富集，36条可评估Top-50规则中35条同样，富集跨更广泛秩窗口逐步减弱；值得注意的是未调整汇总提升显著低于来源调整提升，可评估Top-10规则中位值分别为0.277和1.319，此差异反映体内来源间异质基线活性流行率并证明相对于来源特定基线的富集不一定转化为相对于汇总群体的富集，重要的是两种度量均不直接建立盲目前瞻性筛选中预期绝对命中率其中未测试制剂库的活性分布和基线流行率未知，因此此处观察的来源调整富集应解释为来源内优先级排序回顾证据而非前瞻性筛选成功定量预测；原始规则排序也跨生物域保留信息，开发到体内来源调整提升显示Top-10 Spearman相关约0.72 Top-25约0.65而Top-50仅0.14 Top-100 0.23全部可评估规则约0.01，因此排序在规则手册旨在提供最强优先级排序信号处最可重现，结果与独立体外验证密切平行其中迁移性同样在冻结规则排序更远处下降但最高排名规则富集在体内域特别强；描述符转移和规则转移分析因此支持相关但不同结论，第一表明完全从体外数据识别的紧凑描述符表征保留体内活性实质预测信息，第二提供更强证据最高优先级体外衍生SAR区域本身跨生物域转移保持方向性富集，两种结果均不暗示体外活性训练全局模型可直接替代体内特定预测模型也不暗示每条保留规则普遍适用，相反发现支持分层框架作为识别紧凑可转移物理化学信息和排序局部设计假设集的手段其最高优先级成员显示实质跨域可重现性；总体结果揭示比任何单一特征排名更有信息量的稳健性层级，精确描述符身份部分案例依赖更广泛物理化学信息域实质更稳定最高排名多变量SAR区域显示可测量转移至未见体外来源和回顾性体内数据，此进展从模型特定描述符身份到反复信息域到外部富集设计区域提供框架主要实用价值即分离仅由一个模型选择的内容与足以可重现以指导实验优先级排序的内容。
讨论部分总结：研究人员开发了分层机器学习框架逐步将高维LNP描述符空间缩减至紧凑物理化学表征并将这些表征转化为用于制剂优先级排序的排序定量SAR区域，跨互补活性标签、交叉验证和模型家族条件三阶段精炼程序产生仅含7–15个描述符的最终表征同时保留大量预测信息，尽管精确描述符在稳健性案例间变化但反复信息集中于静电、亲脂性、折射率相关、结构和制剂组成域表明在更广泛物理化学信息层面稳定性高于单个描述符身份层面；敏感性引导规则挖掘产生含1025条排序多变量区域的主要规则手册与较高来源相对体外活性相关，独立来源不相交验证显示可迁移性强秩依赖即17条可评估Top-25规则中15条保留正向来源调整富集开发到验证调整提升相关0.701而迁移性在规则手册更远处逐步减弱，冻结规则手册因此应解释为有序优先级排序资源而非同等通用设计规则集合；回顾性体内分析进一步支持精炼信息可迁移性同时定义其限度，无限制体内特征表征保持最强预测基线但Phase 1至Phase 3压缩至14–15个描述符时几乎无额外性能损失，此外所有可评估Top-10和Top-25冻结体外规则及36条可评估Top-50规则中35条在来源调整后体内保持正向富集；总体这些结果表明分层特征精炼和不确定性感知规则挖掘可恢复紧凑可转移物理化学信息及高优先级SAR区域用于LNP候选筛选，这些区域应视为数据支持优先级排序标准而非普遍机制或功效阈值，标准化实验条件下前瞻性验证仍是重要下一步。
研究结论翻译：研究人员开发了一个分层机器学习框架，逐步将高维LNP描述符空间缩减为紧凑的物理化学表征，并将这些表征转化为用于制剂优先级排序的排序定量SAR区域。跨互补活性标签、交叉验证和模型家族条件，三阶段精炼程序产生的最终表征仅含7–15个描述符，同时保留大量预测信息。尽管精确描述符在稳健性案例间存在差异，但反复出现的信息集中于静电、亲脂性、折射率相关、结构和制剂组成域，表明在更广泛物理化学信息层面的稳定性高于单个描述符身份层面。敏感性引导规则挖掘产生了一个含1025条排序多变量区域的主要规则手册，这些区域与较高来源相对体外活性相关。独立来源不相交验证显示可迁移性强烈依赖于排名：17条可评估Top-25规则中15条保留正向来源调整富集，开发到验证调整提升相关系数为0.701，而规则手册越靠后迁移性逐步减弱。因此，冻结规则手册应解释为有序优先级排序资源而非同等通用设计规则集合。回顾性体内分析进一步支持精炼信息的可迁移性同时界定其限度。无限制体内特征表征保持最强预测基线，但Phase 1至Phase 3压缩至14–15个描述符时几乎无额外性能损失。此外，所有可评估Top-10和Top-25冻结体外规则及36条可评估Top-50规则中35条在来源调整后体内保持正向富集。总体而言，这些结果表明分层特征精炼和不确定性感知规则挖掘可恢复紧凑且可转移的物理化学信息以及高优先级SAR区域用于LNP候选筛选。这些区域应视为数据支持的优先级排序标准而非普遍机制或功效阈值，标准化实验条件下的前瞻性验证仍是重要下一步。
