研发适用于脂质纳米颗粒（LNP）的新型可电离脂质是当前的研究热点之一。表观解离常数（pKa）作为可电离脂质在LNP制剂中的关键表征参数，是筛选合适脂质的重要依据。
来自Schrödinger的科学家已开发出一种基于结构的计算方法，用于预测LNP中可电离脂质的表观pKa值。它可直接应用于新型制剂，有望加速治疗用纳米颗粒递送系统的研发。
图注：研究摘要图
这种方法已经在mRNA LNP新冠疫苗COMIRNATY（Pfizer/BioNTech）和SpikeVax（Moderna），以及小干扰RNA（siRNA）LNP治疗药物Onpattro（Alnylam Pharmaceuticals）的脂质制剂中得到了验证。此外，该计算方法还用于进行Lipid A（COMIRNATY疫苗所用可电离脂质的一种变体）的相关预测。
图注：用于构建LNP双分子层的脂质组成及种类
具体而言，每个双层膜的初始平衡均采用Desmond软件的标准弛豫方案，该方案包括布朗动力学（Brownian dynamics）步骤、正则系综（canonical ensemble）步骤以及后续的三个等温等压系综模拟。所有模拟过程均采用OPLS4力场和SPC水模型。
以脂质双层膜模拟LNP内部环境，通过伞形采样方法量化脂质在水溶液与膜环境间的pKa偏移量（ΔpKa），结合基于机器学习的Epik工具计算的本体水溶液（bulk aqueous solution）的pKa（pKaS），即可得到表观pKa，整体耗时仅约1周。
图注：伞形采样方法
计算结果显示，中性脂质和带电脂质的平均力势存在显著差异。与其他三个体系相比，MC3体系需要更大的双层膜中心距离才能获得平稳的自由能曲线。所有中性形式的脂质在双层膜中均存在宽而深的能量最小值，其中MC3脂质分子嵌入膜中的自由能优势最为显著。
图注：带电脂质（蓝色）与中性脂质（红色）的平均力势（Potential of Mean Force，PMF）
总之，计算得出的表观pKa趋势与实验值高度吻合，决定系数（R²）为0.998（三个商业化制剂的R²为0.971），证明了该方法的可靠性。
图注：实验与计算得到的表观pKa值的对比
除了表观pKa值计算，我们还可以如何利用基于结构的建模平台推进LNP开发呢？Schrödinger软件可实现：
1. 基于组成表征LNP的特性
内部与表面结构
pH依赖性
含水量
mRNA-脂质相互作用
2. 预测可电离脂质的pKa值
LNP性能的关键属性
基于结构的预测
制剂组成的依赖性
3. 模拟与LNP被动靶向相关的特征
LNP表面性质随其组成的变化规律
LNP与内源性蛋白的结合作用随其组成的变化规律
4. 阐明LNP的主动靶向机制
表征配体-LNP的关键作用行为，包括制备过程中的配体结合、配体与LNP表面的连接效率、靶向实体在聚乙二醇（PEG）层外的暴露程度
量化配体与靶点的结合作用
5. 模拟内体逃逸（endosomal escape）过程，助力翻译效率提升
模拟内体逃逸过程
明确mRNA释放规律随LNP组成的变化趋势
欢迎联系我们获取Schrödinger软件试算！
参考资料
1. Hamilton, Nicholas B et al. “Calculating Apparent pKa Values of Ionizable Lipids in Lipid Nanoparticles.” Molecular pharmaceutics vol. 22,1 (2025): 588-593. doi:10.1021/acs.molpharmaceut.4c00426
2. Advancing lipid nanoparticle development with structure-based modeling platform and services, Case Study, www.schrodinger.com
