使用机器学习和组合化学加速mRNA传递的可离子化脂质发现

#利用机器学习和组合化学加快mRNA递送的可离子化脂质的发现 研究背景 为了释放信使RNA(mRNA)治疗的全部潜力,扩展脂质纳米颗粒(LNPs)的工具包至关重要。然而,LNPs开发的一个关键瓶颈是识别新的可离子化脂质。已有研究表明,LNPs在将mRNA递送至特定组织或细胞中表现出显著效果。经典的LNPs配方通常由一个离子脂质、胆固醇、辅助脂质和聚乙二醇化脂质(PEG脂质)组成,其中离子脂质在mRNA的加载和逃离内涵体方面起着至关重要的作用。 近年来,LNPs在临床应用方面取得了重大进展。例如,美国食品药品监督管理局(FDA)批准了首个针对遗传性淀粉样变蛋白病的短发夹RNA(siRNA)药物Onpattro,以及Moderna和Pfizer/BioNTech联合开发的两款SARS-CoV-2...

在金红石二氧化钛表面光诱导水解的电子-原子核动力学研究

在金红石二氧化钛表面光诱导水解的电子-原子核动力学研究

光诱导水解离在金红石二氧化钛表面的电子-原子核动力学研究 研究背景与动机 光催化水裂解是光催化技术的重要应用之一,而二氧化钛(TiO₂)是一种具有重要应用前景的光催化材料。尽管二氧化钛在光催化水裂解和实际应用中的表现令人瞩目,但其光诱导水解的微观机制仍未完全揭示。本文研究团队通过第一性原理动态模拟,解析了在典型水-金红石TiO₂(110)界面上,光生载流子的传输路径和光诱导的水解离过程。这一研究不仅为理解光催化表面反应提供了重要的见解,也可能为提升光催化性能提供新的可能性。 研究来源与作者介绍 本研究由北京凝聚态物理国家重点实验室和中国科学院物理研究所的You Peiwei、Chen Daqiang、Liu Xinbao和Zhang Cui,松山湖材料实验室的Zhang Cui,以及普林斯顿...

刚性 Dion–Jacobson 型二维钙钛矿中激子极化子形成和高载流子弛豫

在刚性 Dion–Jacobson 型二维钙钛矿中激子极化子形成和高载流子弛豫的研究报告 二维有机-无机杂化钙钛矿(HOIPs)引起了广泛关注,因为它们具有强烈受限的激子状态和由其二维层状结构引起的减少的介电屏蔽效应,使其在发光器件、光电探测器、光伏和量子发射器等应用中具有潜力。然而,对于这种材料的效率,电子和晶格动力学之间的复杂相互作用起着关键作用,尤其是激子-声子相互作用的功能角色仍存有疑问。本文意图通过结合超快光谱学和电子结构计算来揭示这些材料中激子的强极化子本质及其与高载流子冷却行为的关系。 论文来源 这篇论文发表在顶级期刊《Nature Materials》上,文章DOI为https://doi.org/10.1038/s41563-024-01895-z。主要作者包括Somnat...

在锂富氧化物正极材料中相分离和纳米限域流体O2

锂离子电池正极材料结构变化的动态与热力学研究 学术背景与研究动机 锂离子电池是现代便携电子设备和电动汽车的重要动力来源,传统上使用层状LiCoO2正极材料。然而,持续的高能量密度需求促使科学家们探索新的高能量密度电极。锂富氧化物正极材料(如Li1.2Mn0.8O2)因为在循环中能同时利用过渡金属离子和氧化还原反应,提供了比传统正极材料更高的能量密度。然而,这些材料在循环过程中往往伴随着结构变化,大大影响其能量密度。理解这些结构变化及其与氧氧化还原行为之间的关系成为改进锂富正极材料的主要挑战。虽然已有研究揭示了一些氧氧化引起的结构变化,如过渡金属迁移和氧二聚化,但由于实验和建模的困难,关于原子至纳米尺度的详细图景仍不完善。 论文来源 这篇文章由Kit McColl、Samuel W. Cole...

针对原子间作用力的几何增强预训练

针对原子间作用力的几何增强预训练 引言 分子动力学(MD)模拟在物理、化学、生物和材料科学等领域扮演着重要角色,为原子水平的过程提供了洞见。MD模拟的精确度和效率取决于所选择描述分子体系中原子相互作用的相互原子作用力(interatomic potentials)函数。经典MD使用经验公式,参数需要拟合,计算代价低但精度不够。而第一性原理MD则通过求解薛定谔方程获得精确的相互作用力,但计算量极大。因此,机器学习相互原子作用力(MLIPs)通过使用机器学习模型拟合第一性原理计算的能量和力而达到接近ab initio的精度以及较高效率,成为一种有前景的替代方案。 MLIPs的性能和通用性受限于标记数据的稀缺性,因为获取标记数据需要耗费巨大的第一性原理计算代价。各种自监督学习方法已被探索过,以从大...

使用等变三维条件扩散模型进行分子连接设计

使用等变三维条件扩散模型进行分子连接设计

从事早期药物发现的科研人员面临着一个巨大挑战,即在大约10的60次方种可能的分子结构中寻找具有药理活性的候选分子。一种成功的解决方案是从较小的”片段”分子着手,这种策略被称为基于片段的药物设计(FBDD)。在FBDD过程中,首先需要利用计算机筛选出与目标蛋白口袋结合的片段,然后再将这些片段连接成单个化合物。连接片段时,需要考虑片段的几何构象以及蛋白质口袋的结构,以设计出高亲和力的潜在药物分子。 这篇论文介绍了一种名为DiffLinker的新型分子线酶(linker)设计方法。它是一种三维Equivariant Diffusion模型,能够给定任意数量的断开的片段,生成连接这些片段的线酶结构。与之前的基于自回归的方法不同,DiffLinker能一次性生成连接两个或更多片段的线酶,无需预先确定线...

使用图transformer模型进行小分子的质谱预测

这是一篇关于用于小分子质谱预测的图transformers模型(MassFormer)的论文。该研究针对质谱数据中的分子鉴定问题,提出了一种新的深度学习方法来预测小分子的质谱图谱。 背景介绍: 质谱(MS)是一种广泛应用于多个领域(如蛋白质组学、代谢组学、环境化学等)的分析技术,用于鉴定和定量样品中的化学物质。然而,对于大多数小分子,由于其碎裂过程的复杂性,准确模拟质谱图谱一直是该领域的一个关键挑战。现有的基于规则的方法(如CFM)存在性能和适用范围的限制。近年来,深度学习方法被应用于质谱预测,但现有模型主要基于分子指纹或局部图神经网络,无法有效建模分子全局结构和远程原子相互作用对碎裂的影响。 研究来源: 该研究由来自多伦多大学和矢量人工智能研究所的Adamo Young、Hannes Rö...