🧠机器之心•2026年2月27日較早收集於 14m

20.3%肺部基因編輯效率，LUMI-lab發現mRNA遞送「密碼」

#foundation-models#autonomous-lab#mrna-deliverylumi-lablumi-lablumi-modeluniversity-of-torontocell

💡AI自動實驗室達20.3%肺編輯—基礎模型藥物發現新藍圖（Cell刊）

⚡ 30-Second TL;DR

有什麼變化

LUMI-model：Transformer於1300萬分子+1500萬脂質3階段預訓練

為什麼重要

加速mRNA療法開發，自動化脂質發現以基礎模型彌補生物科技數據匱乏。

下一步行動

參閱Cell論文探索LUMI-model架構，適配你的分子發現管線。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 6 個來源。

•LUMI-lab的閉環系統在10次迭代中評估了1,781個不同的脂質候選物，第四次迭代後已識別出超越陽性對照的有前景脂質，到第十次迭代時超過50%的候選物展現出超過10倍的轉染效率提升[1]
•溴化脂質LUMI-6相比去溴版本LUMI-6D展現1.8倍更高的mRNA轉染效率，直接證實溴元素在增強mRNA遞送中的關鍵作用[1]
•LUMI-lab由多倫多大學Leslie Dan藥學院領導，獲得U of T加速聯盟(Acceleration Consortium)的AC Translation研究補助支持，該聯盟致力於透過AI和自動化加速科學發現[2][3]
•該系統的下一步擴展計畫將同時優化多個臨床相關特性，包括遞送效力、安全性、耐受性和組織選擇性，旨在縮短新型脂質材料的設計週期[2][3]

•LUMI-lab整合分子基礎模型與自動化機器人系統，採用大規模無監督建模(Large-scale Unsupervised Modeling)結合迭代實驗(Iterative experiments)[2][3]
•每個實驗週期耗時39小時，軟體模組自動處理錯誤修正、品質控制、數據正規化，並透過主動學習演算法迭代更新LUMI-model[1]
•系統在早期迭代中優先精煉預測準確性，隨著實驗數據揭示分子特徵與轉染性能間的結構活性關係(SARs)，後期迭代的性能提升由精細開發與數據驅動探索的結合效應驅動[1]
•在HBE細胞中進行的生物發光測定確認LUMI-6在氣道上皮基因編輯中的潛力，驗證了該脂質設計在臨床相關細胞類型中的有效性[1]

溴化脂質設計將成為mRNA遞送材料開發的新標準方向

LUMI-lab獨立識別溴化作為重要設計特徵，未經先驗假設，預示著AI驅動發現可能揭示傳統化學直覺遺漏的關鍵結構特性。

自動駕駛實驗室將加速mRNA治療藥物的臨床轉化週期

研究團隊明確表示目標是透過AI預測與自動化實驗的閉環，縮短新型脂質材料的設計週期，並開放更大的證據驅動化學空間。

多特性同步優化將成為下一代LNP設計的競爭優勢

LUMI-lab計畫擴展至同時優化遞送效力、安全性、耐受性和組織選擇性，超越單一性能指標的優化，反映臨床轉化的複雜需求。

2026-02

LUMI-lab研究成果發表於《Cell》期刊，報告10次迭代評估1,781個脂質候選物，發現溴化脂質增強mRNA肺部遞送效率

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #foundation-models

同產品

更多關於 lumi-lab

同來源