Characterization of Lipid Nanoparticles Containing Ionizable Cationic Lipids Using Design-of-Experiments Approach
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) containing short-interfering RNA (LNP-siRNA systems) are a promising approach for silencing disease-causing genes in hepatocytes following intravenous administration. LNP-siRNA systems are generated by rapid mixing of lipids in ethanol with siRNA in aqueous buffer (pH 4.0) where the ionizable lipid is positively charged, followed by dialysis to remove ethanol and to raise the pH to 7.4. Ionizable cationic lipids are the critical excipient in LNP systems as they drive entrapment and intracellular delivery. A recent study on the formation of LNP-siRNA systems suggested that ionizable cationic lipids segregate from other lipid components upon charge neutralization to form an amorphous oil droplet in the core of LNPs. This leads to a decrease in intervesicle electrostatic repulsion, thereby engendering fusion of small vesicles to form final LNPs of increased size. In this study, we prepared LNP-siRNA systems containing four lipid components (hydrogenated soy phosphatidylcholine, cholesterol, PEG-lipid, and 1,2-dioleoyl-3-dimethylammonium propane) by microfluidic mixing. The effects of preparation parameters [lipid concentration, flow rate ratio (FRR), and total flow rate], dialysis process, and complex formation between siRNA and ionizable cationic lipids on the physicochemical properties [siRNA entrapment on the particle size and polydispersity index (PDI)] were investigated using a design of experiments approach. The results for the preparation parameters showed no impact on siRNA encapsulation, but lipid concentration and FRR significantly affected the particle size and PDI. In addition, the effect of FRR on the particle size was suppressed in the presence of anionic polymers such as siRNA as compared to the case of LNPs alone. More intriguingly, unlike empty LNPs, a decrease in the PDI and an increase in the particle size occurred after dialysis in the LNP-siRNA systems. Such changes by dialysis were suppressed at FRR = 1. These findings provide useful information to guide the development and manufacturing conditions for LNP-siRNA systems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 tête enseignante, 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 ».