Optimizing Lipid Nanoparticles for Delivery in Primates
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) are clinically proven to successfully deliver both small interfering RNA (siRNA) therapeutics and larger mRNA payloads for prophylactic vaccine applications. Non-human primates (NHPs) are generally considered to be the most predictive of human responses. However, for ethical and economic reasons, LNP compositions have historically been optimized in rodents. It has been difficult to translate LNP potency data from rodents to NHPs for intravenously (IV) administered products in particular. This presents a major challenge for preclinical drug development. An attempt to investigate LNP parameters, which have historically been optimized in rodents, is carried out, and seemingly innocuous changes are found to result in large potency differences between species. For example, the ideal particle size for NHPs (50-60 nm) is found to be smaller than for rodents (70-80 nm). Surface chemistry requirements are also different, with almost double the amount of poly(ethylene glycol) (PEG)-conjugated lipid needed for maximal potency in NHPs. By optimizing these two parameters, approximately eight-fold increase in protein expression from intravenously administered messenger RNA (mRNA)-LNP in NHP is gained. The optimized formulations are well tolerated when administered repeatedly with no loss of potency. This advancement enables the design of optimal LNP products for clinical development.
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 | 0,000 |
| 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) | 0,000 | 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 ».