Polymeric and lipid nanoparticles for delivery of self-amplifying RNA vaccines
Notice bibliographique
Résumé
Self-amplifying RNA (saRNA) is a next-generation vaccine platform, but like all nucleic acids, requires a delivery vehicle to promote cellular uptake and protect the saRNA from degradation. To date, delivery platforms for saRNA have included lipid nanoparticles (LNP), polyplexes and cationic nanoemulsions; of these LNP are the most clinically advanced with the recent FDA approval of COVID-19 based-modified mRNA vaccines. While the effect of RNA on vaccine immunogenicity is well studied, the role of biomaterials in saRNA vaccine effectiveness is under investigated. Here, we tested saRNA formulated with either pABOL, a bioreducible polymer, or LNP, and characterized the protein expression and vaccine immunogenicity of both platforms. We observed that pABOL-formulated saRNA resulted in a higher magnitude of protein expression, but that the LNP formulations were overall more immunogenic. Furthermore, we observed that both the helper phospholipid and route of administration (intramuscular versus intranasal) of LNP impacted the vaccine immunogenicity of two model antigens (influenza hemagglutinin and SARS-CoV-2 spike protein). We observed that LNP administered intramuscularly, but not pABOL or LNP administered intranasally, resulted in increased acute interleukin-6 expression after vaccination. Overall, these results indicate that delivery systems and routes of administration may fulfill different delivery niches within the field of saRNA genetic medicines.
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) | 0,001 | 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 ».