《Computational Biology and Chemistry》：A source-aware chemometric benchmark reveals transportability gaps in heterogeneous lipid nanoparticle data
编辑推荐：
摘要数据驱动的脂质纳米颗粒（LNP）设计日益依赖跨实验项目汇总的异质数据集，但随机行验证可能会高估对未见来源的性能表现。我们开发了一个来源感知的基准框架，使用18,326条功能记录、50个一致的测定层以及39个出版物定义来源域。在随机行、精确可电离脂质、描述符聚类和完整来源域
摘要
数据驱动的脂质纳米颗粒（LNP）设计日益依赖跨实验项目汇总的异质数据集，但随机行验证可能会高估对未见来源的性能表现。我们开发了一个来源感知的基准框架，使用18,326条功能记录、50个一致的测定层以及39个出版物定义来源域。在随机行、精确可电离脂质、描述符聚类和完整来源域留出验证条件下，评估了LightGBM、逻辑回归和岭回归模型，预处理仅限于训练折，且指标按来源聚合。LightGBM的来源宏观ROC AUC从随机行验证下的0.764（95% CI，0.732–0.796）下降至来源留出下的0.585（0.542–0.628），配对均值下降0.179（P = 2.5 × 10?11）。连续排名相关性从0.463下降至0.160，而前10%候选物富集从2.61倍下降至1.39倍。精确脂质和描述符聚类留出产生了中间性能，表明化学新颖性并不能完全再现来源新颖性。结果对加权、折分配、聚类数量和留一来源验证具有鲁棒性。因此，仅凭随机行性能无法确立跨来源的可迁移性。固定的来源感知划分、来源级估计量以及机器可读输出为更可靠的LNP预测提供了可复用的框架。
引言
脂质纳米颗粒（LNP）已成为递送信使RNA、小干扰RNA和基因编辑载荷的核心非病毒平台。功能性递送受可电离脂质化学结构、辅助脂质、胆固醇、PEG脂质、组分比例、制造条件、载荷、剂量、给药途径和生物学靶点等交互选择所支配（Collins等，2026，Mitchell等，2021，Hou等，2021，Eygeris等，2021）。因此，组合设计空间过于庞大而无法穷尽探索，从而推动了高通量筛选和数据驱动的候选物优先级排序。机器学习越来越多地被用于学习结构-配方-活性关系，减少进一步推进的候选物数量，并识别那些通过单变量推理难以选择的组合。
聚合LNP资源的出现扩大了这一机遇的规模。LNPDB整合了跨多项研究的配方组成、实验背景、功能结果和模拟资源（Collins等，2026），而LNP Atlas提供了互补的标准化配方数据集（Song等，2025）。AGILE、LiON和COMET/LANCE展示了基于图的方法、消息传递和Transformer引导的LNP设计的快速进展（Xu等，2024，Witten等，2025，Chan等，2025）。这些研究表明存在有用的预测信号。与此同时，跨出版物汇总结果会产生层次化数据集，其中化学结构、配方背景、测定设计、载荷、生物系统和报告规模并非独立采样。因此，汇总表并不等同于一次大型随机化实验。
模型支持的科学主张取决于验证单元。随机行划分评估的是来源于同一来源域观测混合物的记录预测能力。精确结构留出询问的是：在相关来源域仍然被代表时，能否对未见分子进行排名。骨架、相似性或描述符聚类留出针对化学域外推。完整来源留出询问的是：在训练集中不存在的出版物定义来源域上，能否对候选物进行排名；这被用作向未见实验项目迁移的回顾性代理。前瞻性盲测提出了更强有力的问题。结构化数据和分子机器学习研究反复表明，当预期部署分布与采样数据不同时，随机划分、冗余化学系列和未报告的适用域可能产生乐观估计（Roberts等，2017，Wallach和Heifets，2018，Sheridan，2013，Li等，2023，Ektefaie等，2024，Schultz等，2025）。相关的问题并非随机划分本身有错，而是其估计量不能被误标为外部可迁移性。
LNP特异性验证需要额外的区分。一种新的可电离脂质不一定是新的实验域：它可能使用熟悉的辅助组分、配方比例、载荷、细胞模型和读数进行测试。相反，新的来源域可以同时改变其中许多因素，即使某些分子结构存在重叠。近期一项在相对同质的HeLa转染环境下的基准研究系统地比较了表示方法、算法、随机划分和Murcko骨架划分（Mehradfar等，2026）。这一以架构和化学为重点的基准研究是对异质LNP表格的来源域基准的补充，而非替代。
在此，我们构建了一个具有四个基准水平的来源感知可迁移性基准：随机行内插、精确可电离脂质留出、描述符定义化学域留出和完整出版物来源留出。我们通过在每个来源-外层折单元内计算指标后再跨来源宏平均，使推断与来源级部署主张保持一致。我们进一步评估了来源可识别性、实际排名候选物富集、对加权与划分选择的敏感性、限定上下文的HeLa迁移以及测定域之间描述符关联的不变性。本研究的贡献是评估框架和可复用基准——而非主张某一种架构普遍优越。
章节摘要
研究设计
这项回顾性计算研究评估了常规表格模型在不同验证设计下的表现，这些验证设计对应于不同的预期主张。LightGBM梯度提升作为灵活的非线性基准，逻辑回归和岭回归作为低容量对照。随机行验证被解释为观测多来源混合物内的内插。精确可电离脂质和描述符聚类留出代表两个化学新颖性水平。完整
整理的基准数据集包含异质性分析单元
从19,797行原始数据中，功能性终点整理保留了18,439条记录。构建一致测定层并排除记录数少于30条的层后，得到18,326条记录、50个测定层、39个出版物定义来源域和12,231个精确可电离脂质字符串（图1）。在主要人群中，每个LNP_ID和Formulation_ID都是唯一的，排除了字面重复配方作为随机行性能的解释。然而，278个精确可电离脂质身份
讨论
本研究的主要启示是，验证设计决定了LNP模型所提出的科学主张。随机行划分估计的是观测研究混合物内的内插，而化学和来源域留出测试的是越来越不同的部署场景。没有哪一种本质上更优越；每种方法仅在与其预期用途一致时适用。当强随机行性能被呈现为在未见过实验中的可靠性证据时，问题就会
结论
来源感知评估表明，聚合LNP数据集中的预测性能不能假设代表训练集中不存在的出版物定义来源域中的性能。化学留出仍然有用，但它们仅测试了新颖性的特定维度，因为分子迁移和来源域迁移并不等同。同样的区分也影响连续排名、回顾性候选物富集、测定间迁移以及汇总描述符的
CRediT作者贡献声明
Wenhan Wu：概念化、方法学、软件、验证、形式分析、研究、数据整理、写作——初稿、可视化、项目管理。Jun Zhang：方法学、软件、监督、验证、形式分析、研究、数据整理、写作——审阅与编辑、可视化、项目管理。Zhen Huang：方法学、软件、验证、形式分析、研究、数据整理、写作——审阅与编辑、可视化、监督，
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
Wenhan Wu|Jun Zhang|Zhen Huang
