State‐of‐the‐Art Design and Rapid‐Mixing Production Techniques of Lipid Nanoparticles for Nucleic Acid Delivery
Notice bibliographique
Résumé
Abstract Lipid nanoparticles (LNPs) are currently the most clinically advanced nonviral carriers for the delivery of small interfering RNA (siRNA). Free siRNA molecules suffer from unfavorable physicochemical characteristics and rapid clearance mechanisms, hampering the ability to reach the cytoplasm of target cells when administered intravenously. As a result, the therapeutic use of siRNA is crucially dependent on delivery strategies. LNPs can encapsulate siRNA to protect it from degradative endonucleases in the circulation, prevent kidney clearance, and provide a vehicle to deliver siRNA in the cell and induce its subsequent release into the cytoplasm. Here, the structure and composition of LNP–siRNA are described including how these affect their pharmacokinetic parameters and gene‐silencing activity. In addition, the evolution of LNP–siRNA production methods is discussed, as the development of rapid‐mixing platforms for the reproducible and scalable manufacturing has facilitated entry of LNP–siRNA into the clinic over the last decade. Finally, the potential of LNPs in delivering other nucleic acids, such as messenger RNA and CRISPR/Cas9 components, is highlighted alongside how a design‐of‐experiment approach may be used to improve the efficacy of LNP formulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».