mRNA-lipid nanoparticle COVID-19 vaccines: Structure and stability
Notice bibliographique
Résumé
A drawback of the current mRNA-lipid nanoparticle (LNP) COVID-19 vaccines is that they have to be stored at (ultra)low temperatures. Understanding the root cause of the instability of these vaccines may help to rationally improve mRNA-LNP product stability and thereby ease the temperature conditions for storage. In this review we discuss proposed structures of mRNA-LNPs, factors that impact mRNA-LNP stability and strategies to optimize mRNA-LNP product stability. Analysis of mRNA-LNP structures reveals that mRNA, the ionizable cationic lipid and water are present in the LNP core. The neutral helper lipids are mainly positioned in the outer, encapsulating, wall. mRNA hydrolysis is the determining factor for mRNA-LNP instability. It is currently unclear how water in the LNP core interacts with the mRNA and to what extent the degradation prone sites of mRNA are protected through a coat of ionizable cationic lipids. To improve the stability of mRNA-LNP vaccines, optimization of the mRNA nucleotide composition should be prioritized. Secondly, a better understanding of the milieu the mRNA is exposed to in the core of LNPs may help to rationalize adjustments to the LNP structure to preserve mRNA integrity. Moreover, drying techniques, such as lyophilization, are promising options still to be explored.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».