一、试错困境：改一个基团，合成一次，测一次

可电离脂质的设计，长期困在一个朴素的循环里：猜一个结构→合成→测活性→不行就换个基团再来。

一个研究生花三个月合成一款新脂质，注射到小鼠体内——表达量还不如上一代。换个尾链长度，又是三个月，还是不行。这就是MC3诞生之前，脂质设计者的日常。

MC3（DLin-MC3-DMA）是这个循环的典型产物。从最早的DLin-DMA出发，Alnylam和UBC的Pieter Cullis团队经历了DLin-K-DMA、DLin-KC2-DMA等数代结构演化，最终才迭代到MC3——跨越十多年，才在2018年随Onpattro成为全球首款获批的siRNA药物递送脂质。至于每一代筛了多少候选分子、做了多少轮试错，公开文献里找不到确切数字。

SM-102的故事类似。Moderna从2010年成立到2020年mRNA-1273获批，中间SM-102经历了多少轮筛选，公司从未公开。我们只知道结果——它成了全球使用量最大的可电离脂质之一。

这种"改基团试运气"的模式有一个根本缺陷：它只看二维化学结构，不看三维空间形状。

同样一个脂质分子，画在纸上的结构式看起来差不多——一个胺头、两条尾链、一个连接子。但在水溶液中，这些分子会折叠成完全不同的三维构象：有的像柱子（双尾平行），有的像锥体（三尾展开），有的像倒锥（头大尾小）。这些三维形状决定了LNP与血清蛋白如何结合、形成什么样的蛋白冠、最终被运送到哪个器官。

传统设计方法对三维构象是"盲"的。你改了一个尾链长度，二维结构式上只是少了一个碳，但三维构象可能从锥形变成了柱形，靶向器官从脾变成了肝——而你还不知道为什么。

试错循环的瓶颈就在这里：你在二维平面上做的优化，可能跟三维空间里的真实行为毫无关系。

二、核心解读：AI设计可电离脂质，第一次"看见"三维形状

从二维到三维：方法论突破

林耀新团队的做法，是把脂质从"纸上的结构式"变成"真实的折叠形态"。

他们先构建了一个可电离脂质分子文库，覆盖不同头基、尾链和连接子的组合。然后对文库中的每个分子做分子动力学（MD）模拟——让计算机模拟这些分子在水溶液中的真实行为，看它们到底折叠成什么形状。不是画在纸上的二维结构式，而是真正的三维构象：有的像柱子，有的像锥体，有的像倒锥。

但这些3D形状没法直接喂给AI。团队把三维构象投影成二维密度图——相当于给每个脂质的"轮廓"拍了一张扁平的X光片，让AI模型能"读取"形状特征。再用已有的体内递送数据训练AI，建立"构象特征→递送效率/靶向器官"的映射关系，预测新脂质的表现。

P1脂质：三尾锥形构象的脾靶向密码

基于上述方法，团队设计出了P1脂质。P1的核心特征是稳定的三尾锥形构象（tri-tail conical conformation）——三条尾链在空间中展开，形成一个底宽顶窄的锥体。

这个锥形构象带来了两个关键结果：

第一，特异性吸附IgM蛋白冠。 传统双尾柱状构象的LNP（如ALC-0315）倾向于吸附ApoE蛋白，通过LDL受体进入肝脏——这是LNP"天然趋肝"的根本原因。而P1的锥形构象暴露了不同的表面特征，优先吸附IgM（免疫球蛋白M），形成的蛋白冠引导LNP富集到脾脏。

第二，显著提升溶酶体逃逸率。 传统LNP的内体逃逸率通常不足5%，大量mRNA被困在溶酶体中被降解。P1-LNP的锥形构象在内体酸性环境中质子化后，膜破坏能力显著增强，逃逸效率大幅提升。

在黑色素瘤小鼠模型中，P1-LNP递送mRNA疫苗后，诱导了强效的T细胞应答和高水平特异性抗体，显著抑制肿瘤生长，并提供长期免疫保护。

判别框架：回到实验台，怎么判断一个脂质的三维形状"对不对"？

P1的价值不只是"AI设计了一个好脂质"——它同时给出了一个可复用的判别框架。回到你的实验台，评估一款新脂质的三维构象是否适合特定靶向，可以按这个逻辑走：

三、产业竞速：四条AI+LNP路线同时起跑

为什么2024-2026年，四条AI+LNP技术路线几乎同时爆发？这不是巧合——LNP的"发动机"能转，但"方向盘"坏了。

2018年Onpattro获批，证明了LNP能递送核酸药物——但它只能去肝脏。2020-2022年新冠mRNA疫苗大规模接种，让LNP的制造工艺和产能走向成熟——但靶向仍然单一。肿瘤免疫需要脾靶向，脑病治疗需要穿越血脑屏障，吸入式疫苗需要肺靶向——LNP能递送，但递不到指定器官。四条路线，都是对这个矛盾的不同回应：有人改形状，有人改化学骨架，有人改降解方式，有人加装导航模块。

林耀新团队不是唯一在用AI重新定义脂质设计的团队。2024-2026年，至少四条技术路线并行推进，每条路线解决的核心问题不同，但都指向同一个方向：用计算替代试错，用预测替代筛选。

路线2详解：aroLNP——苯环让LNP"绕开"肝脏

宾夕法尼亚大学Mitchell团队与礼来合作，在JACS 2026上发表了aroLNP系列。核心思路是：在可电离脂质尾链中引入芳香环（苯环），利用π-π相互作用增强mRNA复合稳定性，同时改变LNP的体内行为。

aroLNP的设计采用三个模块化组分：胺核心+可调尾链长度（C6-C12）+苯环区域化学（邻/间/对位），同时引入二硫键提高生物降解性。最优候选C6mPhE-383（间位C6尾链）实现了：肌肉内给药后肝脏递送量较SM-102大幅降低，淋巴结递送水平与SM-102相当，同时显著降低全身IL-6、TNF和IFN-γ炎症细胞因子。

关键机制是ApoE非依赖性——aroLNP不依赖经典的ApoE-LDLR肝摄取通路，而是通过注射部位强保留和低全身循环泄漏来规避肝脏。

路线3详解：酸降解LNP——让LNP在内体里"自我毁灭"

UC Berkeley的Niren Murthy和UC Davis的王爱军团队在Nature Nanotechnology 2024上提出了一个反直觉的策略：让LNP在内体中快速降解。

传统LNP进入细胞后，大部分mRNA被困在溶酶体中被降解，只有少量能逃出来。Murthy/王爱军团队开发了azido-acetal（叠氮基-缩醛）可酸降解连接子，在pH 6.0下数分钟内快速水解，使LNP在溶酶体融合前就完成结构崩解，释放mRNA。在pH 7.4（血液环境）下该连接子保持稳定，确保循环过程中不提前泄漏。

RD-LNP（快速降解LNP）比传统LNP更高效地将mRNA递送至肝、肺、脾、脑及造血干细胞，同时更快从细胞清除，降低组织毒性和积聚。

路线4详解：PILOT——多肽给LNP装上"器官导航"

北京大学程强和中科院动物所魏妥团队在Nature Materials 2025上发表了PILOT平台，将多肽与可电离脂质融合，创造出一类全新的"多肽可电离脂质"（PIL）材料。

PILOT的靶向规律清晰可预测：赖氨酸/精氨酸→肺靶向；半胱氨酸/组氨酸/酪氨酸/苯丙氨酸→肝靶向；谷氨酸/天冬氨酸→脾靶向。目前已实现肺、肝、脾、胸腺、骨骼5个器官的靶向递送，且无需配体修饰和额外脂质加入。

肝PILOT LNP和肺PILOT LNP还能高效共递送PEmax mRNA和epegRNA，实现器官特异性先导编辑——这不仅是递送，更是基因编辑的精准化。

工业级平台：从实验室到产线

学术路线之外，中国已有两家企业将AI+LNP推入产业化阶段：

粒泰生物（吴沂航/夏云深创立）：吴沂航自2011年起在德国KIT系统学习脂质分子设计，深耕LNP领域超15年。粒泰的分子库不是"量大"——而是"每个分子都有体内数据"，这是AI训练最稀缺的资产。平台走的是"结构库—AI—管线验证"路线，从数据密度而非数据规模建立竞争优势。

剂泰科技（赖才达创立）：已开发NanoForge——全球首个AI驱动纳米递送平台。剂泰的平台不是筛结构，而是从结构预测器官分布，覆盖肝、肺、免疫器官、心脏、肌肉、肿瘤、中枢神经系统、胃肠道8个器官/组织。2026年5月已在港股上市，D轮融资4亿元，10+管线项目推进中。

四、范式转换：LNP靶向递送从"改结构试运气"到"算形状定靶向"

四条技术路线的共同指向很清晰：可电离脂质设计的核心变量，不是二维化学结构，而是三维空间构象。

这对配方研发意味着什么？

首先是DSPE-PEG比例需要重新优化。 传统LNP配方中DSPE-PEG2000的比例通常在1-2 mol%，这是基于双尾柱状脂质优化的结果。P1的三尾锥形构象改变了LNP的表面曲率和PEG分布，原有比例可能不再最优。

更关键的是PEG链长的选择。 PEG链长影响LNP的循环时间和蛋白冠组成。锥形构象的LNP表面曲率更大，PEG链的构象约束不同，可能需要更短（PEG1000-2000）或更长（PEG5000）的链来平衡屏蔽效果和靶向性。

此外，末端功能化的偶联效率也可能变化。 新脂质改变了LNP的表面化学环境，影响DSPE-PEG末端反应基团的可及性。例如，aroLNP的苯环引入可能改变局部疏水性，影响马来酰亚胺（MAL）与巯基的偶联效率。

最后，辅助磷脂的选择逻辑也在变。 PILOT平台用多肽修饰替代了传统的辅助磷脂靶向策略，这意味着DSPC/DOPE/DOPC的选择不再是"哪个辅助磷脂更好"，而是"新脂质体系下哪个辅助磷脂与靶向机制最匹配"。

配方研发行动清单

新脂质定型后，配方优化应该按什么顺序推进？基于上述四条路线的公开数据，关键步骤如下：

新脂质定型后的配方适配，需要从PEG锚定脂质到辅助磷脂的全链条重新评估。以下工具可供参考：DSPE-PEG系列（不同链长、不同末端功能化）、辅助磷脂（DSPC/DOPE/DOPC/DOPG）、胆固醇，覆盖了新脂质定型后的配方优化需求。

五、FAQ