LNPDB是什麼？從資料庫到 AI 與分子動力學，重新理解脂質奈米粒的設計邏輯
- Jason Lu
- 2月8日
- 讀畢需時 3 分鐘
已更新：2月22日
前言
為什麼 LNP 領域，一直缺一個「PDB 等級」的資料庫？
如果你實際參與過 mRNA、siRNA 或 CRISPR 的 lipid nanoparticle（LNP）設計，你很可能有這樣的感覺：
我們其實做了非常多 LNP screening，但這些資料始終無法真正「累積成知識」。
LNP 領域長期存在一個結構性的問題：資料很多，但高度分散；實驗成功，但難以歸納。
不同研究使用不同配方、不同 readout、不同實驗條件，使得資料難以跨研究比較或重複使用。
與蛋白質工程不同，LNP 設計至今沒有一個像 Protein Data Bank（PDB） 那樣的中央化基礎建設，能夠系統性整理「結構 × 配方 × 功能」之間的關係。這也直接限制了 AI 模型與理性化設計的發展。
LNPDB 是什麼？Lipid Nanoparticle Database 作為公共資料基礎建設
Lipid Nanoparticle Database（LNPDB）
LNPDB 是由 MIT（Dr. Daniel G. Anderson / Dr. Robert Langer 團隊）與 MolCube 合作建立，並於 2026 年發表在 Nature Communications。它不是單純的資料彙整，而是為資料驅動、結構導向的 LNP 設計所打造的系統性平台。
目前 LNPDB 已收錄：
19,528 個 LNP formulations
12,845 種獨特的 ionizable lipids
來自 42 篇高品質研究
涵蓋 mRNA、siRNA 與 pDNA
包含 in vitro 與 in vivo 的 delivery 表現
真正關鍵的不是資料量，而是 LNPDB 如何定義「什麼樣的資料能用來設計」。
LNPDB 如何重新定義「可設計」的脂質奈米粒？
LNPDB 將每一個 lipid nanoparticle 系統化為三個層次：
Composition（組成）
ionizable lipid 的完整化學結構（SMILES）
head / linker / tail 的結構拆解
helper lipid、cholesterol、PEG lipid 的種類與比例
lipid-to-nucleic acid ratio
Experimental context（實驗脈絡）
delivery target（細胞或器官）
cargo type（mRNA、siRNA、pDNA）
readout method 與效能指標
Simulation-ready structural data（可模擬結構資料）
自動產生 CHARMM force field
可直接進行 all-atom molecular dynamics（MD）模擬
這讓 LNP 不再只是經驗配方，而是可以被視為物理系統來理解與分析的結構集合體。
LNPDB、AI 與分子動力學的交會點
研究團隊利用 LNPDB 重新訓練深度學習模型 LiON，發現模型在多個資料集中對 delivery performance 的預測能力明顯提升。
更重要的是，LNPDB 同時支援 分子動力學（MD）模擬，使研究者能從結構層級理解設計原理。研究顯示：
Bilayer stability 與 delivery 表現正相關
Critical Packing Parameter（CPP）可預測 transfection efficiency
CPP > 1（inverted cone geometry）的 ionizable lipids 更有利於 endosomal escape
這些結果提供了可解釋、具物理意義的設計指標，而非黑盒預測。
為什麼 LNPDB 對產業與轉譯研究特別重要？
研發層面：降低盲目 screening 的成本
AI 與計算設計：建立可擴展的訓練資料基礎
CMC 與轉譯：以結構邏輯討論穩定性與可重現性
LNP 設計正從「配方經驗」轉向「工程系統」。
結語｜LNP 設計，正在進入結構化工程時代
mRNA 疫苗讓世界看到 LNP 的價值，
但 LNPDB 這類資料基礎建設，才是真正推動長期進化的關鍵。
LNPDB 不是終點，
但它很可能是脂質奈米粒設計邁向下一個十年的起點。
關於技術諮詢與合作
隨著 LNP 設計逐漸走向資料驅動與結構化工程，許多團隊面臨同一個問題：
資料很多，卻缺乏整合化學、結構、生物與轉譯視角的設計判斷。
我透過 LuTra Studio 提供以 LNP / RNA delivery 為核心的技術諮詢與策略協作，包括：
LNP 設計與結構–功能分析（AI、MD 與實驗資料整合）
mRNA / siRNA delivery 平台的技術評估與設計路線
早期研發與 CMC 之間的技術銜接與風險判斷
如果你正在思考如何讓 LNP 設計從「有效」走向「可預測、可擴展」，歡迎交流。
參考文獻（References）
Collins, E., Ji, J., Kim, S.-G., et al.
Lipid Nanoparticle Database towards structure–function modeling and data-driven design for nucleic acid delivery.
Nature Communications (2026).
Lipid Nanoparticle Database (LNPDB)
Official database and documentation.
Witten, J., et al.
Artificial intelligence–guided design of lipid nanoparticles for pulmonary gene therapy.
Nature Biotechnology, 43, 1790–1799 (2025).
Xu, Y., et al.
AGILE platform: a deep learning–powered approach to accelerate lipid nanoparticle development for mRNA delivery.
Nature Communications, 15, 6305 (2024).
Tesei, G., et al.
Lipid shape and packing are key for optimal design of pH-sensitive mRNA lipid nanoparticles.
Proceedings of the National Academy of Sciences (PNAS), 121, e2311700120 (2024).
Philipp, J., et al.
pH-dependent structural transitions in ionizable lipid mesophases are critical for lipid nanoparticle function.
PNAS, 120, e2310491120 (2023).
Zheng, L., et al.
Lipid nanoparticle topology regulates endosomal escape and cytosolic delivery of RNA.
PNAS, 120, e2301067120 (2023).
留言