给细胞"送货"，光到达门口不够，还得把包裹真正交到收件人手里。mRNA 药物就卡在这一步。

脂质纳米颗粒（LNP）像运送 mRNA 的快递车，可电离脂质是决定这辆车性能的核心部件。问题在于：如果 mRNA 一直被困在细胞内的"中转站"——内体里，就没法发挥作用。而找到能把 mRNA 有效释放进细胞质的材料，传统上要在海量分子里反复试。

一、研究怎么做的

清华大学深圳国际研究生院颜昊团队、康飞宇团队换了个思路：先用实验数据训练模型，再让模型去更大的空间里找。

具体分三步。第一步，把 40 种胺类头部与 13 种可降解尾部做模块化组合，合成 520 种脂质，通过细胞实验测出它们递送 mRNA 后的实际表达水平。

第二步，把这些实验数据交给 XGBoost 机器学习模型，把虚拟筛选空间扩展到 10920 种脂质结构。

第三步，对模型优选的分子做合成和测试，验证真伪。

二、结果

筛出来的分子里，一个叫 PA97MD101 的脂质表现突出：小鼠实验中，它带来的肝脏 mRNA 功能表达约为常用对照脂质 SM-102 的 4 倍。

关键细节是：PA97MD101 与 SM-102 形成的颗粒在肝脏的整体蓄积水平大体相当，但前者的功能表达明显更强。

这个对比很重要。它说明递送效果不能只看"有多少颗粒到了肝脏"，而要看"mRNA 有没有在细胞内被有效释放"。很多候选材料失败，不是送不到，而是送到了出不来。

三、为什么能释放得更好

团队进一步用细胞成像、膜相互作用实验和分子模拟去找原因。结果指向几点：PA97MD101 具有与酸性环境下膜扰动相一致的特征，与溶酶体的共定位较低；分子构型和脂质与 RNA 之间的相互作用，也可能有利于胞内释放。

这些证据互相印证，比单一指标更有说服力。

四、适用范围

优势不只体现在单一报告分子上。PA97MD101 还能递送促红细胞生成素 mRNA 以及 CRISPR/Cas9 相关载荷，并在小鼠实验中实现 TTR 表达抑制。

五、别过度解读

研究里有一句话很关键：AI 学习的是脂质在体外细胞实验中的转染活性，而不是直接判断某种脂质能否精准靶向肝脏。真正的肝脏递送表现，要靠后续独立的动物实验检验。

也就是说，AI 在这里是"缩小搜索范围的选材助手"，不是"替代实验的预言机"。

写在最后

AI 制药最容易被夸大的地方，是把虚拟筛选说成发现。这个研究的价值恰恰在于它老老实实做了闭环：小规模实验 → 模型扩大搜索 → 合成验证 → 机制解释。四步都走完，结论才立得住。对新材料、新配方这类研发，这套方法论比某个具体分子更值得借鉴。