MIT 用小型資料 AI 迴圈讓 mRNA 疫苗在室溫下保存一年

由脂質奈米粒子（LNP）載運的 mRNA 疫苗必須儲存在 -20 至 -80°C，這使它們無法進入缺乏冷鏈基礎設施的地區。在 MIT 的科赫研究所，Ana Jaklenec 與 Robert Langer 的團隊早已打造出可耐受高溫的聚合物穩定化 LNP，但那些改變了 Moderna 與 Pfizer 所使用的 FDA 核准配方。他們試圖以人工方式穩定已核准的配方，篩選糖類、鹽類、聚合物等賦形劑長達數月。「沒有任何方法能讓我們達到百分之百的穩定性，」博士後研究員 Khanh Tran 說。

解方是一套與 MIT CSAIL 的 Mina Konaković Luković 共同開發的機器學習演算法，專為從極小資料集進行預測而打造。團隊測量了近 50 種 FDA 核准賦形劑各自在 LNP 內保護 mRNA 的效果，選出最有希望的五種，再讓演算法預測穩定化比例。他們每次在細胞中測試兩種配方，並將結果回饋到模型中；經過少數幾次迭代——數週而非數月——有一種配方脫穎而出。

以新配方製成、經真空乾燥的 Covid-19 mRNA 疫苗在 37°C 下儲存兩個月，或在室溫下儲存一年，之後接種的小鼠所產生的免疫反應，相當於 Moderna 式 LNP。同樣五種賦形劑以不同比例也能穩定 Pfizer 式 LNP，該配方同樣適用於固體微針貼片，所產生的免疫反應與注射相似。這項研究發表於《Nature Biotechnology》，部分經費來自蓋茲基金會。

對 50 種已獲 FDA 核准的賦形劑執行主動學習迴圈：預測比例、每次在細胞中測試兩種、回饋結果——數週內即收斂。

冷鏈是瓶頸：-20 至 -80°C 的儲存條件使 RNA 疫苗無法進入沒有冷凍設備的地區。

將搜尋範圍限制在 FDA 已核准的賦形劑，留下了一條法規途徑，而不必要求全新的化學成分。

該演算法專為小型資料集打造，正好符合無法執行數千次實驗的實驗室。

每次兩種的回饋迴圈，把搜尋從數月的人工篩選縮短到數週。

當暴力式篩選停滯不前時，不要發明新成分——而是更聰明地搜尋已核准的成分。小型資料最佳化能把數月的死胡同變成少數幾次有針對性的實驗。

截至 2026 年 9 月的公告，這些結果仍屬臨床前階段：小鼠免疫反應與微針貼片遞送，而非人體試驗或法規審查。研究人員表示，每一種耐熱配方都可搭載任何 mRNA 有效載荷，將其用途擴展至治療性藥物、控釋粒子，以及需要固態或耐熱配方的微針貼片。