LNP 从零开始 · 第 11 篇（完结）
SORT 器官靶向（肝→肺→脾）AI/ML 脂质筛选冷链突破 · 个性化治疗全球可及性
COVID-19 疫苗作为第一代 mRNA-LNP 产品验证了这个平台，也把它的短板摆了出来：LNP 大多停在肝脏，疫苗离不开冷链，生产成本远高于传统疫苗。针对这些瓶颈，器官靶向、脂质设计、冻干和规模化生产几条路线都在推进；它们能走多远，还要看监管和产业化能否跟上。
第一代 mRNA-LNP 产品（COVID-19 疫苗）验证了平台的可行性，但也暴露了它的局限。递送效率还不够高（内体逃逸率的经典测量只有约 1–2%），器官靶向高度依赖肝脏（ApoE-LDLR 天然趋肝）。免疫原性和长期安全性需要更多数据。冷链储运限制了全球可及性；生产成本则是传统疫苗的 10–100 倍。
目前的研究集中在下面几个方向，各对应上文的一处局限：
第一代 LNP 静脉注射后绝大部分跑到肝脏，这是因为血浆中的 ApoE 蛋白吸附到 LNP 表面后，被肝细胞的 LDL 受体识别并内吞。对肝靶向治疗来说这是天然优势（Onpattro、NTLA-2001 都利用了这条通路），但对肺部疾病、脑部疾病或免疫治疗来说，这个限制必须克服。
选择性器官靶向（Selective Organ Targeting, SORT）是目前关注度最高的策略。它的做法是在标准四组分 LNP 配方中加入一种"SORT 脂质"，通过改变 LNP 的表面电荷和蛋白冠组成来重新定向体内分布。加入少量（<10%摩尔比）的阳离子脂质 DOTAP，就能把递送目标从肝脏切换到肺部；加入阴离子脂质或两性离子脂质，则引导到脾脏或淋巴结。这个策略已经在动物模型中成功递送了编码 Cas9、荧光素酶和细胞因子的 mRNA 到肺、脾和骨髓，且肝脏蓄积量大幅下降。
可电离脂质的分子结构本身也能改变器官靶向。尾链更长、带支链、含醚键的脂质倾向于在脾脏、淋巴结或肺部蓄积。Qiu 等人（2022）发现，在可电离脂质尾部引入支链酯链后，LNP 在全身给药后大幅提升了在肺部的蓄积，尤其是在与低摩尔比的 PEG 脂质配合使用时。他们的先导脂质 ET3-O 在原位肺癌模型中选择性摄取 mRNA，在肿瘤局部产生 IL-12 蛋白，不需要外部靶向配体。另一个方向是调整可电离脂质的 pKa。pKa 在 6.2–6.5 之间的脂质更容易在弱酸性微环境（如肿瘤和炎症组织）中触发内体逃逸，在正常生理 pH 下则保持惰性。
在 LNP 表面锚定特异性配体是另一条路。N-乙酰半乳糖胺（GalNAc）靶向肝细胞表面特有的糖蛋白受体，Alnylam 的 GalNAc-siRNA 偶联药物已经验证了这条路。叶酸靶向过度表达叶酸受体的肿瘤细胞；甘露糖靶向树突状细胞的甘露糖受体。靶向肽是另一类：CDX 和 CREKA 等肽已被工程化用于靶向脑胶质瘤。配体介导的靶向能把递送精度提升到特定细胞类型，但代价是合成复杂、成本上升，且配体的体内稳定性需要验证。
传统的 LNP 配方开发高度依赖经验和系统性试错：改一个脂质结构、调一个比例、换一种 PEG 密度，然后在体外和体内反复测试。这个过程缓慢且昂贵。AI 和机器学习正在改变这一流程。
ML 算法可以从大规模脂质文库和理化数据中学习模式，预测最优脂质组成、粒径、表面电荷和 PEG 密度，对特定组织或细胞实现高效、低毒性递送。AI 还被用于预测 mRNA 的稳定性、二级结构和免疫原性，指导密码子优化和序列设计。
具体例子：Wang 等人（2024）用 AI 理性设计，从数千种候选可电离脂质中筛选最优结构。算法根据脂质的头基、尾链长度、分支和酯键位置预测转染效率和毒性，大幅缩短了候选到动物验证的周期。
另一个方向是 DNA 条形码高通量筛选与 ML 结合。Saber 等人（2024）先在体内用条形码 LNP 文库测定 584 种配方的器官分布，再训练模型对超过 40,000 种虚拟配方做靶向预测。这相当于用不到 1.5% 的实验量覆盖整个化学空间。
更前沿的方向是用深度学习模拟纳米颗粒与细胞的相互作用（内体逃逸动力学、蛋白冠组成预测、体内分布模型）。这能把原本数月的体内实验压缩到数天的计算周期。通过整合组学数据（脂质组学、转录组学、蛋白质组学）和生物分布数据，AI 正在把 LNP 设计从经验试错推向理性设计。不过计算预测仍然需要实验验证，AI 目前能加快实验，还替代不了实验。
BNT162b2 最初要求 -70°C 左右储存，后来允许在 -25 至 -15°C 短期存放。这两个温度在发达国家冷链下尚可应对，但在非洲、东南亚和拉丁美洲大片缺乏超低温储运设施的地区，就形成了疫苗难以触达的障碍。mRNA 对温度、湿度、光照和核酸酶高度敏感，LNP 自身在冻融循环中也可能结构坍塌或聚集。
冻干（lyophilization）是最被看好的突破方向。做法是筛选合适的冷冻保护剂（海藻糖、蔗糖等），在冻干过程中保护 LNP 的纳米结构和 mRNA 的完整性。最终产物是可在 2–8°C 甚至室温下长期储存的干粉制剂。这项技术正在被多家公司推进，但距离大规模商业化还需要解决复水后的稳定性和一致性问题。
规模化生产面临另一组挑战。实验室用微流控可以精确控制 LNP 的粒径和 PDI，但放大到工业规模后，批间一致性（尺寸、包封效率、电荷）很难维持。COVID-19 期间暴露了另一个瓶颈：关键脂质原料（ALC-0315、SM-102）的全球供应商极为有限，GMP 级核苷三磷酸的供应链也一度紧张。
无菌过滤也有物理限制。LNP 粒径通常在 80–100 nm，虽小于 0.2 µm 灭菌级滤膜的孔径，但大颗粒和聚集体仍会在过滤中造成产品损失或颗粒变形。工业界正在探索封闭式无菌制造系统和连续流微流控平台来绕开这些瓶颈。单剂 mRNA 疫苗的生产成本目前是传统疫苗的 10–100 倍，这个差距如果不缩小，mRNA 治疗的全球普及就无法真正实现。
从长远看，mRNA-LNP 平台的重要潜力在个性化治疗：根据每个患者的基因组、免疫特征和疾病状态，定制专属的 mRNA 序列和 LNP 配方。传统生物制剂每换一种蛋白就要重新建产线，很难做到这样的定制。mRNA 的"即插即用"特性让它成为可能：上游 IVT 和下游 LNP 包封的工艺高度标准化，换一段 mRNA 序列不需要改变生产设备。
### 癌症：每个患者一张处方
个性化新抗原疫苗已经走到了临床阶段。对肿瘤做基因组测序 → 生物信息学预测免疫原性表位 → 设计编码这些新抗原的 mRNA → LNP 包封递送。从肿瘤活检到疫苗出厂需要在几周内完成。mRNA-4157 和 BNT122 的临床数据证明这条路可以走通，但每个患者一个批次的生产模式对 GMP 灵活性和质量控制体系提出了全新挑战。
### 遗传病：缺什么补什么
鸟氨酸转氨甲酰酶（OTC）缺乏症、囊性纤维化、甲基丙二酸血症，这些单基因遗传病的共同点是某个蛋白缺失或失功能。mRNA 可以指导受影响组织瞬时合成功能蛋白，不需要基因组改造。对于这类罕见病，mRNA-LNP 的模块化特性意味着同一套平台可以快速适配不同的适应症，大幅降低了罕见病药物开发的门槛。
### 个性化：按患者调整 LNP 载体
个性化不局限于 mRNA 序列。LNP 载体本身也可以根据患者的年龄、疾病状态、免疫背景和细胞表面受体表达谱进行调整。调整的办法是定制脂质组成和表面配体，以优化组织趋向性、细胞摄取和内体逃逸效率。机器学习也在介入这个过程，从多组学数据出发建模最优 LNP 配方。
个性化治疗的核心障碍已经不在技术本身，在于生产和监管体系能否跟上。为此，按需微流控合成、mRNA 打印、分散式生物制造正在被研究，目的是让个性化 mRNA 药物的生产周期和成本降到临床可接受的范围。
COVID-19 期间 EUA 路径的成功证明了监管系统可以在紧急情况下快速行动，从早期临床数据到授权仅用了几个月。但 EUA 的速度不能简单外推到非疫情场景。对于治疗性 mRNA-LNP 产品（癌症疫苗、基因编辑、蛋白替代），监管面临几个独特的挑战。
挑战:问题所在
分析标准缺失:如何表征 mRNA-LNP 配方没有通用指南：mRNA 完整性、粒径、包封率、效力的测定方法还没有被全球统一
生物分布复杂:LNP 的器官特异性趋向和免疫互作让毒理研究比小分子药物复杂得多，常规毒性评估方法可能不够用
长期安全性数据:COVID-19 疫苗 2020 年才首次接种，5 年以上的纵向随访数据仍在积累中，对需要长期反复给药的治疗产品尤其关键
全球标准不统一:FDA（美国）、EMA（欧洲）、PMDA（日本）的审评要求（数据类型、地区数据、上市后义务）各不相同，企业需要重复提交和重复试验
知识产权碎片化:关键脂质（ALC-0315、SM-102）、PEG 脂质等核心组分的专利分散在 Moderna、BioNTech、Acuitas 等多家公司手中，交叉授权复杂
全球可及性是另一个不容回避的议题。COVID-19 疫情期间，富裕国家抢先锁定了大量 mRNA 疫苗产能，中低收入国家在获取上明显滞后。WHO 的 COVID-19 技术获取池（C-TAP）和预认证机制、国际药品协调会议（ICH）推动的监管标准统一、以及技术转让协议都是试图缩小这个差距的机制。但 mRNA-LNP 的高生产成本、对专用设备的依赖、以及冷链要求，使得本地化生产的门槛依然很高。
热稳定配方（室温可存储）和分散式按需生产技术如果能成熟，会重塑全球可及性的格局，让 mRNA 药物不再只属于发达国家的医疗体系。
这个领域正在从"概念验证"阶段走向"系统工程"阶段。第一代产品回答的是"mRNA-LNP 能不能用"，下一代产品要回答"怎么用得更好"：靶向更精准、毒性更低、储运更便利、可及性更公平。这需要脂质化学、免疫学、计算科学、生产工程和监管政策协同推进。
本文内容整理自：Raj Kumar (Ed.), Lipid Nanoparticle-based mRNA Delivery Systems, Academic Press (Elsevier), 2026, Chapter 13 (Sangam Singh, Punet Kumar, Deepak Kumar, Mohammad Rizki Fadhil Pratama) 和 Chapter 14 (Amit Kumar Singh, Bhawana Singh, Shanti Bhushan Mishra)。补充数据来源：Saber N et al., Hum Gene Ther 2024。