LNP（脂質(zhì)納米顆粒）的成功應用于mRNANCP疫苗已經(jīng)激發(fā)了許多研究人員對其組成和功能進行深入探索。然而，隨著研究的進行，人們逐漸發(fā)現(xiàn)LNP在靶向性方面存在一些缺點。因此，如何有效提高其靶向性成為當前LNP研發(fā)的熱點問題之一。

根據(jù)近期發(fā)表在《Materials today Advances》的文章，我們可以看到當前LNP靶向性研究所面臨的挑戰(zhàn)以及未來的展望。

一步法

小分子配體，如葉酸、碳水化合物和短肽，可以共價連接到現(xiàn)有的脂質(zhì)分子或兩親分子上，產(chǎn)量高。同時，獲得的靶向配體在組裝過程中非常穩(wěn)定，例如耐受有機溶劑。在這種情況下，靶向脂質(zhì)納米顆�？梢酝ㄟ^一步法組裝產(chǎn)生。靶向配體開始時與結構脂質(zhì)混合，然后采用組裝方法形成靶向脂質(zhì)納米顆粒。組裝方法包括薄膜蒸發(fā)、微流控技術和乙醇注入法。該方法允許通過控制靶向配體的進料比來合理調(diào)節(jié)配體密度。

高通量配方篩選

靶向脂質(zhì)納米顆粒由結構脂質(zhì)、輔助脂質(zhì)、靶向配體以及包封的藥物組成。這些成分的組成和比例直接改變了靶向脂質(zhì)納米顆粒的功能。同時，乙醇注入液和微流控技術的脂相和水相流速、擠出膜的孔徑以及靶向配體與預制普通脂質(zhì)納米粒子之間的共軛率等參數(shù)會影響終得到的靶向脂質(zhì)納米粒子的理化性質(zhì)。粒徑、分散性、表面電荷、靶向配體的表面密度等理化性質(zhì)是決定體內(nèi)藥代動力學和藥效學特性、靶向性和treatment指數(shù)的關鍵因素。

為了篩選制造靶向脂質(zhì)納米顆粒的配方，傳統(tǒng)的試錯策略變得資源密集且耗時。近年來，機器學習（ML）的explosion式增長激發(fā)了包括藥物配方篩選在內(nèi)的wide領域的大量創(chuàng)新。通過使用現(xiàn)有數(shù)據(jù)訓練計算模型，該技術允許人們預測特定藥物配方的特性，即使使用未知材料也是如此。數(shù)據(jù)集的計算模型和基礎決定了可預測性的準確性。目前，基于已成功和失敗制劑的數(shù)據(jù)集，ML有助于篩選理想的制劑，以提高包封藥物的水溶性，可持續(xù)的藥物釋放曲線以及延長保質(zhì)期和穩(wěn)定性。此外，新興市場可用的材料篩選試劑盒也將加速靶向脂質(zhì)納米顆粒的早期發(fā)現(xiàn)。

關于靶向脂質(zhì)納米顆粒的應用和種類，讀者可參考近的兩篇綜述：

2.Nakamura T, Sato Y, Yamada Y, Abd Elwakil MM, Kimura S, Younis MA, Harashima H. Extrahepatic targeting of lipid nanoparticles in vivo with intracellular targeting for future nanomedicines. Adv Drug Deliv Rev. 2022 Sep;188:114417. doi: 10.1016/j.addr.2022.114417. Epub 2022 Jul 3. PMID: 35787389.

3.Zhao Z, Ukidve A, Kim J, Mitragotri S. Targeting Strategies for Tissue-Specific Drug Delivery. Cell. 2020 Apr 2;181(1):151-167. doi: 10.1016/j.cell.2020.02.001. PMID: 32243788.