Lipid Nanoparticle Delivery Systems to Enable mRNA-Based Therapeutics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The world raced to develop vaccines to protect against the rapid spread of SARS-CoV-2 infection upon the recognition of COVID-19 as a global pandemic. A broad spectrum of candidates was evaluated, with mRNA-based vaccines emerging as leaders due to how quickly they were available for emergency use while providing a high level of efficacy. As a modular technology, the mRNA-based vaccines benefitted from decades of advancements in both mRNA and delivery technology prior to the current global pandemic. The fundamental lessons of the utility of mRNA as a therapeutic were pioneered by Dr. Katalin Kariko and her colleagues, perhaps most notably in collaboration with Drew Weissman at University of Pennsylvania, and this foundational work paved the way for the development of the first ever mRNA-based therapeutic authorized for human use, COMIRNATY®. In this Special Issue of Pharmaceutics, we will be honoring Dr. Kariko for her great contributions to the mRNA technology to treat diseases with unmet needs. In this review article, we will focus on the delivery platform, the lipid nanoparticle (LNP) carrier, which allowed the potential of mRNA therapeutics to be realized. Similar to the mRNA technology, the development of LNP systems has been ongoing for decades before culminating in the success of the first clinically approved siRNA-LNP product, ONPATTRO®, a treatment for an otherwise fatal genetic disease called transthyretin amyloidosis. Lessons learned from the siRNA-LNP experience enabled the translation into the mRNA platform with the eventual authorization and approval of the mRNA-LNP vaccines against COVID-19. This marks the beginning of mRNA-LNP as a pharmaceutical option to treat genetic diseases.
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.
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) | 0,001 | 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 | 0,001 | 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 découle