Die Entscheidung, die ein Modell in einem LNP-Programm stützen soll, ist eng: Welche der ionisierbaren Lipide auf der Liste sind Material und Gerätezeit wert. Diese Entscheidung braucht keine genaue Vorhersage der Verkapselungseffizienz. Sie braucht eine Rangfolge, deren Unterschiede sich von Rauschen trennen lassen, eine Regel für die Gruppe an der Spitze, die praktisch gleichauf liegt, und die Disziplin, die Messung entscheiden zu lassen. Dieser Artikel behandelt, wie aus vorhergesagten Zahlen diese Vorauswahl wird.
Lege fest, was ein echter Unterschied ist
Beginne mit dem Fehler des Modells auf Daten, die es nicht gesehen hat. Angenommen, der Fehler auf zurückgehaltenen Daten beträgt 2,1 Prozentpunkte Verkapselungseffizienz. Zwei Vorhersagen tragen je diesen Fehler, der Unterschied zwischen ihnen also etwa 2,1 multipliziert mit der Wurzel aus zwei, rund 3,0 Prozentpunkte. Ein vorhergesagter Abstand von 1,2 Punkten zwischen zwei Kandidaten ist damit gar keine Rangfolge, ein Abstand von 6 Punkten schon.
Schreibe diesen Schwellenwert auf, bevor du auf die Liste siehst. Er macht aus einer geordneten Tabelle drei oder vier Gruppen, und das ist, was die Daten tragen, und er beendet die Diskussion, ob Kandidat vier oder fünf besser ist.
Erwarte, dass die Spitzengruppe gleichauf liegt
Bei 24 Kandidaten und 3 Punkten Auflösung sind an der Spitze typisch fünf bis acht Kandidaten, die du nicht trennen kannst. Das ist kein Versagen des Modells, sondern der ehrliche Wissensstand, und er ist nützlich, weil der Gleichstand nach Kriterien aufgelöst wird, die das Modell nicht abdeckt:
- Syntheseaufwand. Stufen, Verfügbarkeit der Amin- und Kettenbausteine, ob dein Labor die Route schon gefahren hat.
- Vorhandenes Material. Ein gleichauf liegender Kandidat, den du in Gramm hast, schlägt einen, der zwei Wochen braucht.
- Strukturelle Vielfalt im Gleichstand. Wähle Kandidaten, die sich in dem Merkmal unterscheiden, über das du lernen willst, etwa im Linker oder in der Kettenverzweigung, damit der Lauf mehr lehrt als nur, welcher gewann.
- Bekannte Schwachstellen. Risiko der Esterhydrolyse, Verunreinigungsprofil, alles, was die Analytik früher angemerkt hat.
Eine Vorauswahl von vier bis sechs aus der gleichauf liegenden Spitzengruppe, nach diesen Gründen gewählt, ist ein belastbarer Plan. Eine Vorauswahl der besten vier nach vorhergesagtem Wert allein testet meist vier Fassungen derselben Idee.
Das Problem mehrerer Zielgrößen
Die Verkapselungseffizienz allein ist das falsche Ziel. Eine Formulierung muss auch Größe, Polydispersität und Expression erfüllen, und der Kandidat mit der besten vorhergesagten Verkapselung ist häufig bei der Größe nicht akzeptabel. Behandle das wie jedes multikriterielle Problem: Sage, welche Zielgrößen harte Randbedingungen mit einem Fenster sind und welche maximiert werden. "Partikelgröße zwischen 70 und 110 nm" und "Polydispersität unter 0,2" sind Randbedingungen; die Expression ist das Ziel. Ein Kandidat, der eine Randbedingung verletzt, verlässt die Liste unabhängig von seinem Wert beim Ziel.
Die Lipididentität ist nicht der ganze Designraum
Eine vorhergesagte Rangfolge der Lipide ist nur eine Achse. Die molaren Verhältnisse von ionisierbarem Lipid, Helferphospholipid, Cholesterin und PEG-Lipid, das N/P-Verhältnis und die Prozessparameter bewegen die Zielgrößen so stark wie die Lipidwahl, und sie sind viel günstiger zu variieren. Zwei Folgen:
- Lipide bei einem festen Verhältnissatz zu vergleichen vergleicht sie an einem Punkt, der einem passen kann und einem anderen nicht, ein Lipid kann also an einem Verhältnis scheitern statt an seiner Chemie.
- Ein Gleichstand an der Spitze löst sich oft am besten, indem zwei gleichauf liegende Lipide in ein kleines Verhältnis-Design gehen, statt eines zu wählen, weil das Design zwei Fragen gleichzeitig beantwortet.
Schließe die Schleife mit den ersten Messungen
Die ersten Ergebnisse der Vorauswahl aus dem Labor sind die wertvollsten Daten des Programms, aus zwei Gründen. Sie sagen den Versatz zwischen vorhergesagt und gemessen für deinen Prozess, und das ist meist eine systematische Verschiebung, die von den übrigen Vorhersagen abgezogen werden kann. Und sie sagen, ob die Rangfolge überhaupt hielt, und das entscheidet, wie viel Gewicht der Rest der Liste verdient.
Ein durchgerechneter Ablauf: sechs in die Vorauswahl, bei einem Referenz-Verhältnissatz fahren, gemessen gegen vorhergesagt vergleichen. Ist die Rangkorrelation gut und der Versatz einheitlich, sind die übrigen achtzehn Vorhersagen mit bekanntem Bias nutzbar. Haben die gemessenen Werte nichts mit den vorhergesagten zu tun, trägt das Modell für diese Chemie keine Information, und der ehrliche Schluss ist, den nächsten Satz über Versuchsplanung statt über Vorhersage zu screenen.
Grenzen der Aussage
- Vorhergesagte LNP-Zielgrößen sind Priorisierung. Sie entscheiden, welche Formulierungen Laborzeit bekommen und in welcher Reihenfolge, und sie ersetzen nicht die gemessene Verkapselung, Größe, Polydispersität und Expression der Formulierung, die du nutzen willst.
- Modelle entstehen auf Daten bestimmter Prozesse. Eine Vorhersage aus einem mikrofluidischen Datensatz, auf eine andere Mischmethode angewandt, trägt einen unbekannten Versatz, und genau deshalb kalibrieren die ersten Messungen.
- Neue Lipidchemie ist die Stelle, an der Vorhersagen am schwächsten sind und an der meist das Interesse liegt. Erwarte Domänenmarkierungen und plane Messungen für markierte Kandidaten, statt mit der Zahl zu streiten.
- Nichts in einer Vorhersage betrifft Verträglichkeit, Bioverteilung oder Lagerstabilität. Das sind eigene Studien.
Häufige Fragen
Wie groß muss ein vorhergesagter Unterschied sein, um zu zählen?
Etwa der Fehler des Modells auf zurückgehaltenen Daten multipliziert mit der Wurzel aus zwei, weil jede Vorhersage diesen Fehler trägt. Bei 2,1 Punkten Fehler auf der Verkapselungseffizienz sind Unterschiede unter rund 3 Punkten keine Rangfolge und gelten als Gleichstand.
Was tut man, wenn die besten Kandidaten gleichauf liegen?
Den Gleichstand nach Kriterien auflösen, die das Modell nicht abdeckt: Syntheseaufwand, vorhandenes Material, strukturelle Vielfalt in der Gruppe und bekannte analytische Schwachstellen. So entsteht eine Vorauswahl, die etwas lehrt, welcher Kandidat auch gewinnt.
Soll die Vorauswahl allein über die Verkapselungseffizienz laufen?
Nein. Größe und Polydispersität sind Randbedingungen mit Fenstern, und die Expression ist meist das eigentliche Ziel. Ein Kandidat außerhalb des Größenfensters verlässt die Liste, wie gut er bei der Verkapselung auch abschneidet.
Wie viele Kandidaten gehören in den ersten Laborlauf?
So viele, dass sich Versatz und Rangkorrelation des Modells messen lassen, praktisch vier bis sechs aus der gleichauf liegenden Spitzengruppe, bei einem Referenz-Verhältnissatz gefahren, damit der Vergleich sauber ist.
Was, wenn gemessene und vorhergesagte Werte nichts miteinander zu tun haben?
Dann trägt das Modell für diese Chemie oder diesen Prozess keine Information, und der nächste Satz sollte über ein geplantes Experiment gescreent werden. Das an sechs Formulierungen statt an dreißig zu merken ist der Sinn des frühen Vergleichs.