Viltolarsen

1 什么是小核酸药物以及具体的分类1.1 定义和核心特征 小核酸药物是一类以短链核酸（DNA 或 RNA）为活性成分的药物，通过与特定核酸序列互补配对或形成特定三维结构，在转录、RNA 稳定性、翻译或染色体水平精准调控基因功能。 核心特征（区别于传统药物）： 维度 小核酸药物 靶点 DNA / RNA（而非蛋白） 特异性 序列决定，理论上可“为每个基因定制” 设计方式 理性设计 + 计算预测 作用层级转录、剪接、RNA稳定性、翻译 可编程性 极强（非常适合 AI 设计）1.2 小核酸药物的主要分类（按作用机制）① 反义寡核苷酸（ASO, Antisense Oligonucleotide） 定义：单链 DNA / RNA，与靶 mRNA 互补结合，抑制或改变其功能。 作用机制（两大类）： RNase H1 依赖型（最常见） ASO + mRNA → 杂交双链，招募 RNase H1，降解靶 mRNA Steric-blocking 型 不降解 mRNA，阻断剪接位点 / 翻译起始，改变外显子使用 特点： 化学修饰最多，设计自由度最高，AI 设计研究最成熟 维度 内容典型长度 15–25 nt核酸类型 DNA / RNA（常含多种化学修饰）链结构 单链主要靶点 mRNA、pre-mRNA、lncRNA调控层级 转录后调控 / RNA 加工作用方向 抑制表达或改变剪接（非激活）②适配体（Aptamer） 定义：单链 DNA / RNA 折叠成三维结构，直接结合蛋白或小分子。（本质：“核酸版本的抗体”） 特点： 优点 不足 高亲和力 稳定性差 体外筛选快 体内半衰期短 AI应用难点： 结构预测难；数据主要来自 指数富集的配体系统进化技术(Systematic Evolution of Ligands by Exponential Enrichment，SELEX)③小干扰 RNA（siRNA） 定义：双链 RNA（~21–23 nt），模拟内源 RNAi 机制。 作用机制： 进入细胞，导入 RNA诱导沉默复合体（RISC），guide strand 精准配对，靶 mRNA 被切割 特点： 优点 局限 沉默效率极高 递送依赖性强 机制明确 易脱靶④微 RNA（miRNA）药物 定义：miRNA 是一类内源性的小非编码 RNA（~22 nt），通过与靶 mRNA 的 3′UTR 区域部分互补结合，在转录后水平对多个基因进行广谱调控。 作用机制： miRNA 的调控遵循“一对多”模式（不需要完全互补，单个miRNA可调控数十至数百个基因）： miRNA 由 pri-miRNA → pre-miRNA → mature miRNA       ↓ 成熟 miRNA 装载进入 RISC 复合体       ↓ miRNA 的 seed 区（2–8 nt） 与 mRNA 3′UTR 部分互补       ↓ 结果： 翻译抑制 mRNA 去腺苷化与降解（非直接切割） 特点： 特点 说明 调控层级 转录后调控 特异性 中等（依赖 seed 区） 调控范围 广（基因网络） 脱靶风险 高 生物学角色 发育、肿瘤、免疫 药物化难度 高⑤piRNA（Piwi-interacting RNA） 定义：piRNA 是一类与 PIWI 蛋白特异结合的小 RNA（24–31 nt），主要在生殖细胞中表达，用于抑制转座子、维持基因组稳定性。 作用机制： piRNA 机制不依赖 Dicer（核糖核酸内切酶），路径独特： 转录后沉默： piRNA–PIWI 复合体 与转座子 RNA 高度互补，直接切割转座子 RNA 转录水平沉默： 招募表观遗传调控因子，诱导 DNA 甲基化 / 组蛋白修饰，长期抑制转座子转录 特点： 特点 说明 调控层级 转录 + 转录后 主要功能 抑制转座子 表达位置 生殖系为主 特异性 高 临床应用 极早期 药物潜力 探索阶段⑥saRNA（small activating RNA） 定义：saRNA 是一类能够诱导靶基因转录激活的小双链 RNA（~21 nt），通过靶向基因启动子或上游调控区域，增强基因表达。 作用机制： saRNA 的机制与 siRNA 方向相反 saRNA 装载进入 Argonaute（AGO）蛋白 识别启动子区域（DNA 或 promoter-associated RNA） 招募：转录激活复合体，表观修饰酶 结果： 染色质开放 RNA Pol II 招募增加 靶基因表达上调 特点： 特点 说明 调控方向 激活（非沉默） 靶点层级 转录水平 机制成熟度 低 脱靶风险 高 应用阶段 早期探索 潜在用途 抑癌基因激活比较 不同类型小核酸药物的多维度系统比较： 维度 ASO Aptamer siRNA miRNA piRNA saRNA核酸类型 DNA / RNA DNA / RNA RNA RNA RNA RNA链结构 单链 单链 双链 双链前体 → 单链 单链 双链典型长度 15–25 nt 20–80 nt 21–23 nt ~22 nt 24–31 nt ~21 nt主要靶点 mRNA 蛋白 / 小分子 mRNA 多个 mRNA 转座子 RNA 基因启动子作用层级 RNA 剪接 / 稳定性 / 翻译 蛋白功能 RNA 降解 转录后网络调控 表观 & 基因组稳定 转录激活核心机制 RNase H / steric block 三维结构结合 RISC 切割 seed 区部分互补 PIWI 复合体 转录激活复合体作用特异性 ★★★★☆ ★★★★☆ ★★★★☆ ★★☆☆☆ ★★★☆☆ ★★☆☆☆脱靶风险 中 低 中 高 中 高化学修饰依赖度 ★★★★★ ★★★☆☆ ★★★★☆ ★★★☆☆ ★★☆☆☆ ★★★☆☆常见化学修饰 PS、2′-MOE、LNA PEG、修饰碱基 2′-F、2′-OMe 2′-OMe 少 2′-OMe主要递送方式 裸注射 / GalNAc PEG 化 LNP / GalNAc LNP 不成熟 LNP组织靶向能力 中 中 高（肝） 低 低 低免疫激活风险 中 低 中 高 未知 中临床成熟度 ★★★★★ ★★★☆☆ ★★★★☆ ★★☆☆☆ ★☆☆☆☆ ★☆☆☆☆已批准药物数 多（>10） 极少 多（>5） 少 无 无AI 设计成熟度 ★★★★★ ★★☆☆☆ ★★★★☆ ★★☆☆☆ ★☆☆☆☆ ★★☆☆☆AI 主要任务 序列 + 修饰 + 剪接 结构预测 序列 + 脱靶 网络建模 基础研究 机制探索典型应用场景 遗传病、剪接异常 靶向阻断 肝病、代谢病 肿瘤 基础研究 基因激活2 小核酸药物的应用现状和前景 药物名称 类别 批准年份 适应症 作用机制 状态 使用的递送系统Fomivirsen ASO 1998 CMV 视网膜炎 靶向 CMV mRNA 以阻止病毒蛋白产生 已撤市 玻璃体腔注射Pegaptanib 适配体 2004 AMD (老年性黄斑变性) 结合 VEGF165 以减少新生血管形成和渗漏 已撤市 玻璃体腔注射Mipomersen ASO 2013 HoFH (纯合子家族性高胆固醇血症) RNase H 介导的 ApoB-100 mRNA 降解 已撤市 皮下注射Eteplirsen ASO 2016 DMD (外显子 51) 诱导外显子 51 跳跃以恢复肌营养不良蛋白阅读框 在市 基于 PMO 的化学修饰Nusinersen ASO 2016 SMA (脊髓性肌萎缩症) 促进 SMN2 前体 mRNA 中的外显子 7 包含 在市 鞘内注射Inotersen ASO 2018 hATTR (遗传性转铁蛋白淀粉样变性) RNase H 依赖性 TTR mRNA 切割 在市 皮下注射Patisiran siRNA 2018 hATTR (遗传性转铁蛋白淀粉样变性) 使用脂质纳米颗粒进行 RISC 介导的 TTR mRNA 静默 在市 脂质纳米颗粒 (LNP) 配方Golodirsen ASO 2019 DMD (外显子 53) 外显子 53 跳跃以恢复肌营养不良蛋白功能 在市 基于 PMO 的化学修饰Volanesorsen ASO 2019 FCS (家族性乳糜微粒血症综合征) RNase H 切割 APOC3 mRNA 在市 皮下注射Givosiran siRNA 2019 AHP (急性肝卟啉症) 减少肝脏中的 ALAS1 mRNA，降低神经毒性中间体 在市 脂质纳米颗粒 (LNP) 配方Viltolarsen ASO 2020 DMD (外显子 53) 类似于 golodirsen 在市 基于 PMO 的化学修饰Lumasiran siRNA 2020 PH1 (原发性高草酸尿症 1 型) 静默编码乙醇酸氧化酶的 HAO1 在市 GalNAc 偶联 siRNACasimersen ASO 2021 DMD (外显子 45) 外显子跳跃以部分恢复肌营养不良蛋白 在市 基于 PMO 的化学修饰Inclisiran siRNA 2021 高胆固醇血症 抑制 PCSK9 表达以降低 LDL-C 在市 GalNAc 偶联 siRNAVutrisiran siRNA 2022 hATTR (遗传性转铁蛋白淀粉样变性) GalNAc 偶联 siRNA 静默 TTR 在市 GalNAc 偶联 siRNATofersen ASO 2023 ALS (SOD1 相关肌萎缩侧索硬化) 降解 SOD1 mRNA 以减少突变蛋白 在市 基于 PMO 的化学修饰Eplontersen ASO 2023 hATTR (遗传性转铁蛋白淀粉样变性) RNase H1 依赖性 TTR mRNA 降解 在市 基于 PMO 的化学修饰Avacincaptad pegol 适配体 2023 地图样萎缩 (AMD) 抑制补体 C5 激活 在市 玻璃体腔注射Nedosiran siRNA 2023 PH1 (原发性高草酸尿症 1 型) 靶向 LDHA 以减少肝脏草酸产生 在市 GalNAc 偶联 siRNAFitusiran (Qitlia) siRNA 2025 血友病 A/B 静默抗凝血酶以重新平衡凝血功能 在市 GalNAc 偶联 siRNA ASO: 反义寡核苷酸；siRNA: 小干扰 RNA；PMO: 磷酰二胺吗啉代寡聚体；GalNAc: N-乙酰半乳糖胺。 截至 2025 年 5 月，共有 22 种小核酸疗法获得 FDA 或 EMA 批准（13 种 ASO，7 种 siRNA，2 种适配体）。 目前，小核酸药物不再是概念验证阶段，而是已经成为继小分子、抗体之后的第三类重要药物形态，但成功主要集中在少数类型和少数疾病上。2.1 已获批药物主要集中在两类 类型 临床状态 代表疾病ASO 最成熟 SMA、DMD、ATTRsiRNA 成熟 高胆固醇、淀粉样变 目前绝大多数获批小核酸药物都靶向肝脏或中枢神经系统，这与递送技术成熟度高度相关。2.2 适应症分布具有明显“技术驱动”特征 当前主要应用领域： 遗传病 单基因致病 靶点清晰 代谢性疾病 PCSK9、TTR 神经系统疾病 SMA、ALS 部分罕见病 尚未大规模突破的领域： 实体瘤 自身免疫病 感染性疾病2.3 小核酸药物的未来前景 从“沉默基因”走向“精细调控” 未来趋势不再是简单 knockdown，而是： 剪接调控 等位基因特异沉默 基因激活（saRNA） “调控方式多样化”是重要方向 递送系统将决定下一波突破 重点发展方向： 非肝脏靶向 GalNAc 类似物 肿瘤微环境响应递送 BBB 穿透递送 AI 将成为核心推动力（非常关键） AI 的真实价值不在“生成序列”，而在于： 多目标优化（效力 + 安全性 + 稳定性） 化学修饰模式学习 脱靶与免疫风险预测 闭环实验设计 新兴应用场景 方向 潜力肿瘤个体化治疗 高罕见病定制 ASO 已在发生联合疗法 与抗体、小分子RNA 药物平台化 高3 小核酸药物目前的难点 不是“小核酸本身没用”，而是“很难安全、稳定、精准地把它送到该去的地方，并且长期起作用”。3.1 递送（Delivery） 目前绝大多数获批小核酸药物都靶向肝脏或中枢神经系统，这与递送技术成熟度高度相关 为什么小核酸特别“难送”？：分子小，带电，很容易被身体清除 肝脏（成功）： N-乙酰半乳糖胺（N-acetylgalactosamine，GalNAc）作为一种小分子配体，能被肝细胞特异识别 脂质纳米颗粒（LNP，Lipid Nanoparticle）把 RNA 包在“脂质小泡”里，目前最成熟 其他组织（困难）： 穿血脑屏障；肿瘤组织异质性；免疫系统清除3.2 稳定性与化学修饰（Chemical modification） 为什么需要“化学修饰”？:未经修饰的小核酸在体内几分钟～几小时就被降解，几乎没有药物价值，因此必须进行化学修饰。 矛盾点： 修饰越多 → 越稳定 但修饰越多 → 副作用风险也越大 例如，PS（Phosphorothioate，硫代磷酸骨架） 优点：提高稳定性 缺点：容易与非目标蛋白结合 → 潜在毒性3.3 脱靶效应（Off-target effects）与安全性 脱靶效应 什么是“脱靶”（Off-target effect）？ 药物除了目标基因，还影响了不该影响的基因 miRNA / saRNA：网络效应强，不可控风险 ASO / siRNA 作用相对精准，但仍可能脱靶 ASO：PS 骨架 → 非特异蛋白结合 PS骨架：Phosphorothioate（硫代磷酸酯）骨架修饰，这是ASO中最常见的化学修饰，用硫原子取代磷酸二酯键中的氧原子，可增强核酸酶抗性并提高药效 siRNA：seed 区脱靶 seed区：指siRNA引导链5'端第2-8位核苷酸区域，是识别靶标mRNA的关键部位 免疫激活问题 身体把小核酸当作“病毒 RNA”，启动免疫反应，产生炎症或毒性 某些序列或修饰，容易激活免疫系统，是临床失败的重要原因之一4.4 临床转化失败率仍高 很多小核酸药物，在小鼠中非常有效，却在临床试验中失败 常见失败原因： 动物与人类递送机制不同，免疫反应不同 长期给药后，慢性毒性才出现 剂量：动物安全 ≠ 人体安全4.5 小结 小核酸药物目前的难点主要包括： ① 难以递送到非肝脏组织； ② 依赖复杂化学修饰但存在安全性权衡； ③ 脱靶效应和免疫激活风险； ④ 动物实验向临床转化成功率低。5 序列、化学修饰、递送系统层面分别可以如何优化小核酸药物 同一个小核酸分子，需要在三个层面同时被优化，才能成为真正的药物。 层面 解决的核心问题 序列（Sequence） “这个分子会不会起作用？” 化学修饰（Chemical modification） “它在人体里能不能活下来？” 递送系统（Delivery system） “它能不能到达正确的地方？”5.1 序列层面的优化（Sequence optimization）① 序列优化是在优化什么？ 序列决定了“识别谁”和“识别得准不准”② 序列层面主要解决哪些问题？ 问题 解释效力不足 不能有效抑制或调控目标基因脱靶效应 误伤其他基因结构不利 自身折叠，影响作用③ 主要序列优化思路 提高“互补性”，但不是越强越好 小核酸通过碱基互补配对识别目标 RNA，但是过强的结合，反而可能增加副作用 因此要在结合强度（可能不需要那么强）与特异性（需要）之间找到平衡 避免“容易脱靶的序列模式” 尤其注意，seed 区（Seed region，指小 RNA 中最关键的识别区域）错配也可能结合其他基因 考虑 RNA 二级结构（Secondary structure） 二级结构：RNA 自己折叠成的局部结构 如果目标区域被“折起来”，小核酸就不容易结合④一句话总结： 序列优化的目标，是在保证有效作用的前提下，尽可能减少脱靶和不必要的结合。5.2 化学修饰层面的优化（Chemical modification）①为什么一定要化学修饰？ 未经修饰的小核酸，会被核酸酶快速降解，在体内“活得太短”，几乎不可能作为药物使用。②什么是“化学修饰”？ 化学修饰（Chemical modification）指的是对核酸的 骨架、糖或碱基 做化学改造，但不改变原本的序列信息③常见修饰 PS —— Phosphorothioate（硫代磷酸骨架） 把普通磷酸骨架中的一个氧换成硫，大幅提高稳定性 缺点：容易与非目标蛋白结合，可能带来毒性 2′-OMe —— 2′-O-methyl（2′-O-甲基） 修饰 RNA 糖环上的 2′ 位点，提高稳定性，降低免疫激活风险 LNA —— Locked Nucleic Acid（锁定核酸） 把糖环“锁住”，显著增强结合能力 缺点：过强的结合可能导致副作用④一句话总结 化学修饰让小核酸“活下来”，但必须精细设计，否则会引入新的问题。5.3 递送系统层面的优化（Delivery system）①为什么递送是“最大难点”？ 小核酸药物的成功，往往不是因为分子设计得多好，而是“送对了地方”。②什么是“递送系统”？ 帮助小核酸，不被降解，到达特定组织。进入细胞③两种成功递送方式 LNP —— Lipid Nanoparticle（脂质纳米颗粒） 用脂质把 RNA 包起来，保护 RNA 目前主要适用于肝脏 GalNAc —— N-acetylgalactosamine（N-乙酰半乳糖胺） 一种能被肝细胞识别的小分子，可以“精准送入肝细胞” GalNAc 是 siRNA 和 ASO 成功的关键推手之一④一句话总结 递送系统决定了小核酸药物“能治哪些病”。5.4 小结 小核酸药物的优化是一个分层次的系统工程： 在序列层面提高靶向性和效力，在化学修饰层面增强稳定性并控制毒性，在递送系统层面实现组织和细胞特异性。 当前临床成功主要得益于这三方面的协同优化，而未来突破仍将依赖于递送技术和精细化设计的进展。6 AI 设计可以如何帮助克服困难 小核酸药物的设计空间太大，人类无法靠经验穷举。 AI 不是“自动发明药物”，而是帮助研究者在极其复杂的设计空间中，做出更少错误、更高成功率的选择。 把这个“设计空间”拆开来看： 层面 人工面临的问题 序列 可选序列成千上万 化学修饰 修饰种类 × 位置组合爆炸 递送系统 试错成本极高 AI 的价值就在于：在这些层面“提前预测失败”。6.1 AI 在“序列设计”层面如何帮助？ 当前困难： 很多序列在细胞中有效，但在动物或人体中失败 我们很难提前知道，哪个序列更有效，哪个更容易脱靶 AI 能做什么？ ①预测“效果强不强” AI 可以学习已知小核酸序列，与它们在实验中表现出的基因抑制效果 ②预测“会不会脱靶” AI 可以同时比较一条序列，与人体中大量 RNA 序列的潜在匹配 ③减少“明显失败的序列” AI 的第一价值不是找到“最完美序列”，而是尽早排除“注定失败”的序列6.2 AI 在“化学修饰”层面如何帮助？ 当前困难： 化学修饰可以提高稳定性，降低免疫反应 但是修饰类型很多，修饰位置不同，效果完全不同 AI 能做什么？ ①学习“修饰模式” AI 可以从已有实验数据中学习，哪些修饰，出现在序列的哪些位置，更可能稳定、低毒、不影响活性 ②预测“稳定性 vs 风险”的平衡 修饰越多 → 越稳定 修饰越多 → 副作用风险越大 AI 可以帮助预测，某种修饰组合，更偏向“安全”还是“危险”6.3 AI 在“递送系统”层面如何帮助？ 当前困难： 递送实验昂贵、周期长、很难系统测试 目前成功几乎只集中在肝脏递送 AI 能做什么？ ①预测“哪种递送更可能成功” AI 可以整合，分子特征，递送材料特性，已有动物实验结果 帮助回答，“某种递送方式，在某种组织中，成功概率大不大？” ②减少盲目试错 递送系统的失败成本极高，即使 AI 只能淘汰一半失败方案，也已经非常有价值6.4 小结 AI 设计通过学习已有实验数据，在序列选择、化学修饰组合和递送策略筛选等方面，帮助研究者减少试错、降低脱靶和毒性风险，从而提高小核酸药物从设计到临床成功的整体概率。7 目前AI在小核酸药物中的应用（AI-powered design platforms） AI-powered design platforms 是指将机器学习模型与小核酸药物设计流程深度整合，用于序列选择、脱靶预测、化学修饰和候选分子优先级排序的综合系统。7.1 序列设计与效力预测平台 这列平台以ASO/siRNA序列设计为核心 经典功能： Efficacy prediction效力预测 Sequence scoring序列打分 Candidate ranking候选序列排序 工作模式： “给你一堆可能的序列，平台用 AI 告诉你：先做哪 10 条最不浪费钱。”7.2 脱靶与安全性预测整合平台 平台关注Off-target effects（脱靶效应）和Immunostimulation（免疫激活） 经典功能： 扫描人体转录组多种潜在结合模式 预测哪些基因可能被误伤，哪些序列更可能激活免疫 工作模式： “不是等出了副作用才发现问题，而是尽量先发现风险。”7.3 多参数集成决策平台（真正的“AI-powered platform”） Sequence features（序列特征） Chemical modifications（化学修饰） Delivery compatibility（递送兼容性） Safety profiles（安全性特征） 工作模式： “不是选‘最强的序列’，而是选‘综合表现最不容易失败的方案’。”7.4 AI 驱动的设计平台 平台名称 数据集及规模 架构 性能指标 主要优势 主要局限性a 参考文献ASOptimizer 187,090 个 ASO (1000+ 来源)；IDO1 子集 155 个 线性模型 + 边缘增强图变换器 (EGT) Pearson r = 0.72 (≥17 nt)；IC₅₀ ≈ 53–95 nM 整合序列 + 化学特性；提供 Web 服务器 使用过时的热力学工具 (miRanda, Zuker)；仅在体外 IDO1 验证 (p62)eSkipFinder (SVR) 426 个 PMO, 228 个 2OMe (RD 细胞) 带有 32 个特征的支持向量回归 (SVR) R² = 0.6 (PMO), 0.7 (2OMe) 用户友好 Web 界面；可定制外显子/内含子设计 仅限于 RD 细胞实验；无脱靶分析；传统热力学 (p68)eSkipFinder (Ensemble) 同 eSkipFinder (SVR) 数据集 RF + 梯度提升 + XGBoost 集成 R² = 0.706 (PMO), 0.795 (2OMe)；运行时间 <10s 更快更准确；特征重要性感知 仍仅限于体外；特定于 PMO/2OMe；未评估脱靶 (p70)DeepAptamer >300 GB HTS-SELEX 数据，针对 BCMA, CTGF, DKK1 混合 CNN + BiLSTM；整合序列 (one-hot) 和结构 (DNA 形状) 特征 ROC-AUC: 0.989 整合序列和结构；克服实验偏差；通过 VAE 实现可解释性 需要大规模、高质量 HTS-SELEX 训练集 (p73)AptaTrans 预训练：~16.6 万蛋白和 ~8 万 RNA 序列；微调：580+/1740- 适配体-蛋白对 基于 Transformer 的分类器 ROC-AUC: 0.921 直接利用在适配体-蛋白相互作用上预训练的模型 需要大规模、高质量 HTS-SELEX 训练集 (p75)RaptGen 两个独立 HT-SELEX 集 (人转谷氨酰胺酶 2 和整合素 αvβ3) 带有 CNN 编码器和 profile HMM 解码器的生成式 VAE 生成式 (Generative) 通过引导优化实现 de novo (从头) 设计 HMM 解码器导致计算成本高；未显式使用 3D 结构信息 (p76)AptaDiff 四个独立 HT-SELEX 集 (IGFBP3, PTK7, TGM2, ITGαvβ3) VAE 学习的基序依赖潜在空间引导的条件离散扩散模型 实验：K_D 降低达 3.6 倍，RU 值比顶级 SELEX 增加 87.9% 实验验证可产生优于 SELEX 的适配体 需要两阶段训练 (非端到端)；扩散中未显式建模二级结构 (p77)SMEpred 3031 siRNA 异质集；在独立验证集上验证 在核苷酸组成、类型、位置及其化学修饰上训练的 SVM PCC: 0.80 简单性 训练集的高度异质性限制了 ML 预测能力 (p88)PLS model 2431 异质 siRNAs；在 48 个修饰 siRNA 上验证 基于代表核苷酸物化性质的化学信息学描述符的回归算法 PCC: 0.81–0.82 首个使用化学信息学描述符代表 cm-siRNA 序列的方法 训练集的高度异质性限制了 ML 预测能力 (p89)sdRNA linear regression 356 sdRNAs；在 ~140 sdRNAs 上验证 基于位置碱基频率矩阵训练的线性回归模型 40% 敏感度下具有 85% 预测能力 训练集同质性 高度特定于单一 siRNA 类别；新类别需重新调整模型 (p90)ENSiRNA 未指明训练集；评估标准/修饰集；在 givosiran 上验证 几何 GNN (FARFAR2) + ViennaRNA + Morgan 指纹 PCC 提升 ~13%；对 givosiran 预测准确 多模态输入；可推广到修饰药物 长 mRNA 的 FARFAR2 成本高；修饰训练数据有限 (p91)Martinelli siRNAmod-based, 21 nt；在 57 个独立序列上验证 One-hot 546 向量；随机森林 (RF) 表现最佳 RF 在 60/70/80% 阈值下表现最佳 可解释性揭示设计模式 (2'OMe, LNA) 无非线性相互作用；固定 21-nt；无 AUC 数据 (p94)Cm-siRPred 4278 cmsiRNAs 涵盖 128 种化学修饰；在获批药物上测试 One-hot + MACCS + 物化 + 交叉注意力 + 3DCNN CV AUC=0.9147；测试 AUC=0.8931；对多款药物预测正确 高 AUC；通过 SHAP 可解释；提供 Web 服务器 计算复杂度高；侧重于效力，无脱靶分析 (p95) 注： a 所有平台的共同局限性包括数据集规模有限、缺乏标准化以及缺少体内 (in vivo) 验证。8 目前AI在小核酸药物中面临的问题 当前 AI 在小核酸药物中的最大问题，不是“算法不够先进”，而是“数据、生物复杂性和可转化性”三方面的系统性限制。①高质量数据不足（Data limitation） 什么是“高质量数据”？ 明确的小核酸序列，对应的可靠实验结果，以及清楚的实验条件说明 为什么数据不足？ 许多数据分散在不同实验室，实验条件不统一 工业数据多为公司内部，不公开 最终导致模型泛化能力差②生物系统过于复杂（Biological complexity） 小核酸药物涉及的层级很多 RNA 结构 蛋白相互作用 细胞摄取 免疫系统③递送相关数据极度匮乏（Delivery data scarcity） 递送实验昂贵 难以高通量进行 成功案例主要集中在肝脏④模型可解释性不足（Interpretability） 药物研发风险极高，决策必须可追溯⑤从体外到临床的转化困难（Translation gap） 很多 AI 模型在体外数据上表现很好，但无法预测体内和临床结果⑥AI 容易被“过度期待”（Overexpectation） AI 不能替代实验，也不能独立完成药物发现⑦平台之间缺乏标准化（Lack of standardization） 不同 AI 平台输入不同、输出不同、评估方式不同 导致难以比较模型优劣、难以整合多平台结果小结 当前 AI 在小核酸药物中的最大瓶颈不在于算法本身，而在于高质量数据的缺乏、生物系统复杂性的难以建模，以及从预测结果到临床转化之间的巨大鸿沟。9 AI在小核酸药物中的未来展望①从“单任务模型”走向“多目标联合优化” 目前多数 AI 模型只回答一个问题，例如：“序列是否有效？”，“脱靶风险高不高？” 未来 AI 将同时优化多个相互冲突的目标，包括： 效力（Efficacy） 安全性（Safety） 稳定性（Stability） 可递送性（Deliverability）②AI 将更深度参与化学修饰设计 化学修饰是小核酸成药的关键，但目前主要依赖经验 AI 将逐步用于学习成功药物中的修饰模式，预测不同修饰组合的稳定性与毒性③递送系统建模将成为长期突破方向 当前递送（Delivery）是最大瓶颈，数据极少，成功案例集中在肝脏 AI整合多来源数据：动物实验、组织分布、材料特性，构建递送成功概率模型④AI-powered design platforms 将走向“端到端流程” End-to-end（端到端）指：从目标基因输入到候选分子输出，中间由系统自动串联多个步骤 未来平台将不再是零散工具，而是嵌入研发流程的系统级平台，自动调用不同 AI 模型，提供综合排序，支持人工决策⑤AI 将与实验形成“闭环学习”（Closed-loop learning） 闭环学习（Closed-loop learning）指：AI 预测方案，实验验证，新数据反馈给 AI，AI 继续优化 AI 不再一次性给答案，而是持续学习。每一次失败，都会让下一轮设计更聪明。参考文献 [1] Delre P, Cerchia C, Lavecchia A. Artificial intelligence in the development of small nucleic acid therapeutics: toward smarter and safer medicines. Drug Discovery Today. 2025;30(11):104488. doi:https://doi.org/10.1016/j.drudis.2025.104488‌