Advanced Science：机器学习大模型驱动无载体纳米药物开发取得突破
2025年2月，昆明医科大学康复学院（云南省干细胞和再生医学重点实验室）周兴教授联合四川大学华西医院罗奎教授团队在《Advanced Science》（中科院1区Top，IF=14.3）发文，文章《Machine Learning-Driven Prediction, Preparation, and Evaluation of Functional Nanomedicines Via Drug-Drug Self-Assembly》将机器学习大模型与无载体纳米药物技术深度融合，成功搭建“无载体纳米药物AI筛选与创制平台”。昆明医科大学康复学院张成元副教授为论文第一作者，周兴教授为通讯作者。该研究获国家自然科学基金、云南省重点研发计划等资助支持。
无载体纳米药物摒弃传统合成载体，通过药物分子自组装实现高效负载，是极具临床转化潜力的新一代纳米药物。然而，其开发长期受限于药物组合筛选效率低、组装机制不明确等难题。本研究创新性提出“AI驱动无载体药物设计”策略，通过逻辑回归模型（预测准确率91.89%）高效筛选非甾体抗炎药（NSAIDs）与化疗药物的自组装潜力，并首次阐明吲哚美辛（IND）与紫杉醇（PTX）、多柔比星（DOX）通过π-π堆叠、氢键等非共价作用形成稳定纳米结构的分子机制。基于此，团队开发了PEG修饰的长循环纳米药物（PiPTX），pH响应型制剂（iDOX）以及主动靶向制剂LiDOX。其中PiPTX成功实现肿瘤药物蓄积量提升至游离药物的2倍。LiDOX的免疫/化疗协同治疗效果更为显著，肿瘤重量可缩减至正常生长肿瘤的五分之一。
该AI平台为无载体纳米药物的临床转化按下“加速键”。传统纳米药物依赖复杂化学载体，而无载体技术凭借高负载、低毒性、工艺简化的优势，被视为肿瘤治疗的新方向。本研究通过机器学习实现药物组合的快速筛选，将无载体纳米药物研发周期显著缩短。未来该平台可赋能心脑血管疾病、免疫性疾病等多领域纳米药物开发。
C. Zhang, Y. Yuan, Q. Xia, J. Wang, K. Xu, Z. Gong, J. Lou, G. Li, L. Wang, L. Zhou, Z. Liu, K. Luo, X. Zhou, Machine Learning-Driven Prediction, Preparation, and Evaluation of Functional Nanomedicines Via Drug–Drug Self-Assembly. Adv. Sci. 2025, 12, 2415902.
