编辑推荐:
# 摘要翻译
RNA疗法能够沉默致癌转录本、调节RNA加工、恢复蛋白表达或编码肿瘤抗原。然而,其开发受到靶点选择、分子设计、递送、免疫原性及患者间异质性等因素的制约。人工智能(AI)正日益被应用于上述瓶颈环节,涉及多组学靶点优先级排序、RNA结构与序列建模、
# 摘要翻译
RNA疗法能够沉默致癌转录本、调节RNA加工、恢复蛋白表达或编码肿瘤抗原。然而,其开发受到靶点选择、分子设计、递送、免疫原性及患者间异质性等因素的制约。人工智能(AI)正日益被应用于上述瓶颈环节,涉及多组学靶点优先级排序、RNA结构与序列建模、递送优化、新抗原选择、患者分层及生产质量控制。这些应用的成熟度并不均衡:在肿瘤学领域,信使RNA(mRNA)癌症疫苗是临床进展最为领先的RNA策略,而涉及长链非编码RNA(lncRNA)和环状RNA(circRNA)的治疗策略仍主要处于临床前或早期临床阶段,且大多数AI赋能方法缺乏前瞻性临床验证。在本综述中,研究人员评估了AI在RNA治疗开发管线中的应用,区分了有证据支持的应用与临床前及推测性用途,并讨论了其向精准肿瘤学转化所需的验证、监管和数据治理要求。
# 主体内容总结
## 主要作用机制
RNA疗法通过多种互补机制发挥作用,包括RNA干扰(RNAi)、反义寡核苷酸(ASOs)、剪接转换寡核苷酸、CRISPR-Cas13系统、RNA靶向小分子以及抗原编码mRNA、自扩增RNA(saRNA)和circRNA构建体。小干扰RNA(siRNA)引导含argonaute 2的RNA诱导沉默复合物(RISC)至互补mRNA,主要在细胞质中诱导转录本切割。ASO可在细胞核或细胞质中发挥作用:RNase H1依赖性gapmer诱导互补RNA的切割,而剪接转换寡核苷酸通过位阻阻断改变前体mRNA加工而不诱导转录本降解。锁核酸修饰可提高寡核苷酸结合亲和力及核酸酶抗性。CRISPR-Cas13效应器可实现可编程RNA切割,而催化失活的Cas13与作用于RNA的腺苷脱氨酶融合后,可在不改变基因组DNA的情况下实现位点定向RNA编辑。lncRNA通过与染色质、蛋白质及其他RNA相互作用调节基因表达,其治疗策略包括降解或抑制致癌lncRNA,以及在更早期开发阶段替换或模拟lncRNA以恢复肿瘤抑制功能。circRNA通过反向剪接产生,其共价闭环结构赋予其相对抵抗外切酶介导降解的能力,可被用作稳定表达和抗原编码平台。治疗性RNA疫苗接种利用抗原编码构建体,在宿主细胞中翻译后被加工并通过主要组织相容性复合体(MHC)分子呈递,激活CD4阳性和CD8阳性T细胞反应。个性化癌症疫苗编码基于肿瘤基因组和转录组数据选择的患者特异性新抗原。
## AI在RNA治疗中的应用
研究人员将AI贡献分为三类:已有坚实实验或临床证据支持的应用、新兴但仍处于临床前阶段的方法、以及推测性未来机会。
### 第一类:具有坚实实验或临床证据的AI应用
新抗原选择方面,基于机器学习的肽-HLA结合预测器(如NetMHCpan-4.1和MHCflurry)已整合至2/3期临床试验(如autogene cevumeran和intismeran autogene)的计算流程中。序列层面,LinearDesign联合优化密码子使用和mRNA二级结构,在体内显示抗体滴度最高提升128倍,同时改善mRNA半衰期和蛋白表达。后续研究进一步提出GEMORNA,一种基于Transformer的生成模型,可从头设计全长编码序列和非翻译区,且兼容N1-甲基假尿苷修饰核苷。递送方面,图神经网络结合贝叶斯优化实现了虚拟脂质筛选,鉴定了在mRNA递送效率、器官靶向(包括脑)和生物分布方面优于基准制剂的新型可电离脂质结构。一个基于可电离脂质三维构象训练的机器学习模型鉴定出脾脏靶向候选脂质,其配制的个性化mRNA癌症疫苗在黑色素瘤模型中抑制了肿瘤生长。患者分层方面,基于超过2,200例结直肠癌患者推导的16-lncRNA免疫特征实现了C指数0.696,并在17个独立数据集中优于109个既往发表的特征。生产方面,卷积神经网络和主动学习算法应用于高内涵成像,实现了纳米颗粒形态的实时评估,并在两个设计周期内将纳米颗粒摄取提高约3倍,ML驱动的工作流程已整合至GMP条件LNP生产线。
### 第二类:新兴临床前AI方法
RNA结构预测方面,包括DRfold和RhoFold+在内的深度学习模型利用大规模结构数据库显著改善了RNA二级和三级结构预测,是合理设计ASO和小分子抑制剂的前提。小分子靶向RNA方面,risdiplam已获FDA批准用于脊髓性肌萎缩症,通过调节SMN2前体mRNA剪接恢复功能性SMN蛋白表达;obefazimod正处于溃疡性结肠炎3期临床试验阶段,其结合RNA分子5′端的帽结合复合体(CBC),增强CBC介导的RNA生物发生功能,促进lncRNA前体的选择性剪接以生成抗炎microRNA miR-124。蛋白数据库(Protein DataBank)包含超过230,000个蛋白质结构,而RNA结构不足9,000个,限制了ML模型的结构训练数据。针对这一挑战,结构基虚拟筛选、几何深度学习方法(如RNA-配体表面相互作用指纹识别)、Inforna平台(包含1,936个RNA二级结构基序-小分子结合对)及RSAPred等ML模型正在兴起。ML辅助的ASO和siRNA设计工具整合大规模扰动和表型数据集以预测敲低效率、全转录组脱靶效应和序列特异性毒性,但在动物模型中的前瞻性头对头比较仍有限。一个重要的临床前进展是结合ML肽-HLA预测与免疫肽组学鉴定肿瘤特异性circRNA编码的非经典表位——circFAM53B编码的219个氨基酸隐秘肽能够通过HLA I类分子呈递并激活CD8+ T细胞,在小鼠模型中具有抗肿瘤活性,相关树突状细胞疫苗的1期试验(NCT06530082)已在HER2阴性晚期乳腺癌中启动。
### 第三类:推测性未来机会
利用纵向ML模型对RNA疫苗治疗期间的免疫逃逸进行实时监测,理论上可检测抗原丢失或肿瘤免疫编辑事件以触发疫苗重新配方,但需要稳健的前瞻性数据采集基础设施、经过验证的免疫逃逸生物标志物以及适应性生物制品的监管框架。AI优化的联合方案设计,利用强化学习或药代动力学/药效动力学(PK/PD)建模实现RNA疗法的个体化给药方案和联合用药策略,在mRNA疫苗联合免疫检查点抑制剂的时序安排方面具有较强生物学依据,但尚无RNA特异性临床试验报道。联邦学习和隐私保护分析为在不集中患者数据的情况下构建大规模泛化AI模型提供了原则性方法,但RNA特异性联邦部署仍属未来展望。
## RNA疗法与AI整合的优势
RNA疗法适合迭代设计,因为核苷酸序列既是信息载体,也是决定靶点结合、稳定性、翻译和免疫感应的可修饰要素。一旦化学、配方或生产平台建立,序列改变即可生成靶向不同靶点或编码不同产物的候选药物,无需重建整个开发流程,这种模块化支持ASO、siRNA、mRNA和circRNA平台。ASO和siRNA可减少或重定向转录本活性,mRNA和circRNA构建体可编码治疗性蛋白或肿瘤抗原,lncRNA和circRNA提供了由序列、结构、定位或反向剪接 junction 定义的新靶点。这些依赖于序列、结构和配方的设计空间适合计算优先级排序——核苷修饰、UTR和密码子工程以及脂质纳米颗粒组成均可影响表达、稳定性、生物分布和先天免疫激活。
## AI赋能RNA疗法的转化挑战
RNA疗法面临递送、生物分布、细胞内转运和内体逃逸等相互关联的障碍。LNP可保护RNA货物并促进细胞摄取,但许多制剂优先在肝脏和脾脏蓄积,且仅部分内化RNA能从体内逃逸至细胞质。实体瘤引入额外障碍,包括异质性灌注、升高的组织间隙压和致密的细胞外基质。稳定性与免疫激活之间的平衡因RNA模态和治疗目标而异。ASO因硫代磷酸酯骨架和序列依赖性杂交可能促进蛋白质结合、补体激活、血小板减少症、肝毒性或非预期转录本减少。lncRNA具有组织或疾病阶段依赖性功能,circRNA反向剪接的替代形式可产生具有不同生物学活性的异构体。miR-873在胰腺导管腺癌和三阴性乳腺癌中通过抑制KRAS发挥肿瘤抑制作用,但在肺腺癌模型中促进增殖和迁移,说明ncRNA靶点需要肿瘤特异性功能验证。AI引入的转化局限包括:模型常基于小型、回顾性、检测或机构特异性数据集开发;数据集偏移可导致跨机构迁移时性能下降;模型应接受独立外部验证、时间验证及前瞻性评估;高回顾性判别能力并不证明模型改善靶点选择、产品质量、患者结局或开发效率。临床部署需要不确定性估计、与预期用途相适应的可解释性及有意义的人类监督。数据访问、隐私、治理和监管就绪度仍是重要障碍——监管评估将需要明确预期用途、透明的数据来源、可复现的模型开发、预设性能标准、版本控制、网络安全保障及模型更新管理程序。
## 结论
AI在RNA治疗开发的若干环节已展示实验证据支持的价值,包括RNA结构和序列优化、制剂筛选、新抗原优先级排序、生物标志物开发和生产过程分析。然而,这些应用的成熟度仍不均衡——mRNA癌症疫苗是肿瘤学中临床进展最领先的RNA模态,而lncRNA和circRNA定向治疗仍主要处于临床前或早期临床开发阶段。RNA产品的临床成熟度不应被视为其开发过程中使用的每种AI方法均已被独立验证的证明。转化将需要与常规开发流程的前瞻性比较、跨机构和跨患者群体的外部验证、透明的数据来源、可复现的模型开发、校准的不确定性以及产品特异性生产和监管控制。最重要的基准将不是单纯的计算性能改善,而是AI辅助的靶点、序列、制剂或患者选择策略能够改善预定治疗或开发结局的证据。