Optimization of Lipid Nanoparticles for saRNA Expression and Cellular Activation Using a Design-of-Experiment Approach
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) are the leading technology for RNA delivery, given the success of the Pfizer/BioNTech and Moderna COVID-19 mRNA (mRNA) vaccines, and small interfering RNA (siRNA) therapies (patisiran). However, optimization of LNP process parameters and compositions for larger RNA payloads such as self-amplifying RNA (saRNA), which can have complex secondary structures, have not been carried out. Furthermore, the interactions between process parameters, critical quality attributes (CQAs), and function, such as protein expression and cellular activation, are not well understood. Here, we used two iterations of design of experiments (DoE) (definitive screening design and Box-Behnken design) to optimize saRNA formulations using the leading, FDA-approved ionizable lipids (MC3, ALC-0315, and SM-102). We observed that PEG is required to preserve the CQAs and that saRNA is more challenging to encapsulate and preserve than mRNA. We identified three formulations to minimize cellular activation, maximize cellular activation, or meet a CQA profile while maximizing protein expression. The significant parameters and design of the response surface modeling and multiple response optimization may be useful for designing formulations for a range of applications, such as vaccines or protein replacement therapies, for larger RNA cargoes.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».