Iterative Design of Ionizable Lipids for Intramuscular mRNA Delivery
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) are the most clinically advanced delivery vehicles for RNA and have enabled the development of RNA-based drugs such as the mRNA COVID-19 vaccines. Functional delivery of mRNA by an LNP greatly depends on the inclusion of an ionizable lipid, and small changes to these lipid structures can significantly improve delivery. However, the structure–function relationships between ionizable lipids and mRNA delivery are poorly understood, especially for LNPs administered intramuscularly. Here, we show that the iterative design of a novel series of ionizable lipids generates key structure–activity relationships and enables the optimization of chemically distinct lipids with efficacy that is on-par with the current state of the art. We find that the combination of ionizable lipids comprising an ethanolamine core and LNPs with an apparent pK a between 6.6 and 6.9 maximizes intramuscular mRNA delivery. Furthermore, we report a nonlinear relationship between the lipid-to-mRNA mass ratio and protein expression, suggesting that a critical mass ratio exists for LNPs and may depend on ionizable lipid structure. Our findings add to the mechanistic understanding of ionizable lipids and demonstrate that hydrogen bonding, ionization behavior, and lipid-to-mRNA mass ratio are key design parameters affecting intramuscular mRNA delivery. We validate these insights by applying them to the rational design of new ionizable lipids. Overall, our iterative design strategy efficiently generates potent ionizable lipids. This hypothesis-driven method reveals structure–activity relationships that lay the foundation for the optimization of ionizable lipids in future LNP-RNA drugs. We foresee that this design strategy can be extended to other optimization parameters beyond intramuscular expression.
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 | 0,001 |
| 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 ».