Spontaneous, solvent-free entrapment of siRNA within lipid nanoparticles
Notice bibliographique
Résumé
Lipid nanoparticle (LNP) formulations of nucleic acid are leading vaccine candidates for COVID-19, and enabled the first approved RNAi therapeutic, Onpattro. LNPs are composed of ionizable cationic lipids, phosphatidylcholine, cholesterol, and polyethylene glycol (PEG)-lipids, and are produced using rapid-mixing techniques. These procedures involve dissolution of the lipid components in an organic phase and the nucleic acid in an acidic aqueous buffer (pH 4). These solutions are then combined using a continuous mixing device such as a T-mixer or microfluidic device. In this mixing step, particle formation and nucleic acid entrapment occur. Previous work from our group has shown that, in the absence of nucleic acid, the particles formed at pH 4 are vesicular in structure, a portion of these particles are converted to electron-dense structures in the presence of nucleic acid, and the proportion of electron-dense structures increases with nucleic acid content. What remained unclear from previous work was the mechanism by which vesicles form electron-dense structures. In this study, we use cryogenic transmission electron microscopy and dynamic light scattering to show that efficient siRNA entrapment occurs in the absence of ethanol (contrary to the established paradigm), and suggest that nucleic acid entrapment occurs through inversion of preformed vesicles. We also leverage this phenomenon to show that specialized mixers are not required for siRNA entrapment, and that preformed particles at pH 4 can be used for in vitro transfection.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».