Abstract Ionizable lipid nanoparticles (LNPs) are seeing widespread use in mRNA delivery, notably in SARS-CoV-2 mRNA vaccines. However, the expansion of mRNA therapies beyond COVID-19 is impeded by the absence of LNPs tailored for diverse cell types. In this study, we present the AI-Guided Ionizable Lipid Engineering (AGILE) platform, a synergistic combination of deep learning and combinatorial chemistry. AGILE streamlines ionizable lipid development with efficient library design, in silico lipid screening via deep neural networks, and adaptability to diverse cell lines. Using AGILE, we rapidly design, synthesize, and evaluate ionizable lipids for mRNA delivery, selecting from a vast library. Intriguingly, AGILE reveals cell-specific preferences for ionizable lipids, indicating tailoring for optimal delivery to varying cell types. These highlight AGILE’s potential in expediting the development of customized LNPs, addressing the complex needs of mRNA delivery in clinical practice, thereby broadening the scope and efficacy of mRNA therapies.

Abstract Bacteriophages, also known as phages, are essential for the stability of the microbiome system due to their ability to infect prokaryotes, another significant component of the microbiome. Thus, understanding the functions of phage proteins could help us unravel the nature of phages and their roles in the microbiome. However, limited by the low throughput of experimental techniques, a vast number of phage proteins remain unannotated in terms of their functions. Computational methods are expected to solve this restriction due to their high throughput and cost-effectiveness. In this study, we focused on one aspect of functional annotation for phage proteins, the identification and classification of phage virion proteins, and the integration of a large pretrained protein language model and an MLP neural network dramatically improved the performance of these two tasks. Additionally, we compared our model with some previous deep learning models using a newly collected, independent benchmark dataset, demonstrating the strong generalization ability of our model for both tasks. The source codes of ESM-PVP and the software for the PVP identification task have been uploaded to: https://github.com/li-bw18/ESM-PVP .

Abstract Ionizable lipid nanoparticles (LNPs) have seen widespread use in mRNA delivery for clinical applications, notably in SARS-CoV-2 mRNA vaccines. Despite their successful use, expansion of mRNA therapies beyond COVID-19 is impeded by the absence of LNPs tailored to different target cell types. The traditional process of LNP development remains labor-intensive and cost-inefficient, relying heavily on trial and error. In this study, we present the A I- G uided I onizable L ipid E ngineering (AGILE) platform, a synergistic combination of deep learning and combinatorial chemistry. AGILE streamlines the iterative development of ionizable lipids, crucial components for LNP-mediated mRNA delivery. This approach brings forth three significant features: efficient design and synthesis of combinatorial lipid libraries, comprehensive in silico lipid screening employing deep neural networks, and adaptability to diverse cell lines. Using AGILE, we were able to rapidly design, synthesize, and evaluate new ionizable lipids for mRNA delivery in muscle and immune cells, selecting from a library of over 10,000 candidates. Importantly, AGILE has revealed cell-specific preferences for ionizable lipids, indicating the need for different tail lengths and head groups for optimal delivery to varying cell types. These results underscore the potential of AGILE in expediting the development of customized LNPs. This could significantly contribute to addressing the complex needs of mRNA delivery in clinical practice, thereby broadening the scope and efficacy of mRNA therapies. One Sentence Summary AI and combinatorial chemistry expedite ionizable lipid creation for mRNA delivery.

Abstract Cardiovascular disease continues to take more human lives than all cancer combined, prompting the need for improved research models and treatment options. Despite a significant progress in development of mature heart-on-a-chip models of fibrosis and cardiomyopathies starting from induced pluripotent stem cells (iPSCs), human cell-based models of myocardial inflammation are lacking. Here, we bioengineered a vascularized heart-on-a-chip system with circulating immune cells to model SARS-CoV-2-induced acute myocarditis. Briefly, we observed hallmarks of COVID-19-induced myocardial inflammation in the heart-on-a-chip model, as the presence of immune cells augmented the expression levels of proinflammatory cytokines, triggered progressive impairment of contractile function and altered intracellular calcium transient activities. An elevation of circulating cell-free mitochondrial DNA (ccf-mtDNA) was measured first in the in vitro heart-on-a-chip model and then validated in COVID-19 patients with low left ventricular ejection fraction (LVEF), demonstrating that mitochondrial damage is an important pathophysiological hallmark of inflammation induced cardiac dysfunction. Leveraging this platform in the context of SARS-CoV-2 induced myocardial inflammation, we established that administration of human umbilical vein-derived EVs effectively rescued the contractile deficit, normalized intracellular calcium handling, elevated the contraction force and reduced the ccf- mtDNA and chemokine release via TLR-NF-kB signaling axis.