The Expression Kinetics and Immunogenicity of Lipid Nanoparticles Delivering Plasmid DNA and mRNA in Mice
Notice bibliographique
Résumé
In recent years, lipid nanoparticles (LNPs) have emerged as a revolutionary technology for vaccine delivery. LNPs serve as an integral component of mRNA vaccines by protecting and transporting the mRNA payload into host cells. Despite their prominence in mRNA vaccines, there remains a notable gap in our understanding of the potential application of LNPs for the delivery of DNA vaccines. In this study, we sought to investigate the suitability of leading LNP formulations for the delivery of plasmid DNA (pDNA). In addition, we aimed to explore key differences in the properties of popular LNP formulations when delivering either mRNA or DNA. To address these questions, we compared three leading LNP formulations encapsulating mRNA- or pDNA-encoding firefly luciferase based on potency, expression kinetics, biodistribution, and immunogenicity. Following intramuscular injection in mice, we determined that RNA-LNPs formulated with either SM-102 or ALC-0315 lipids were the most potent (all p-values < 0.01) and immunogenic (all p-values < 0.05), while DNA-LNPs formulated with SM-102 or ALC-0315 demonstrated the longest duration of signal. Additionally, all LNP formulations were found to induce expression in the liver that was proportional to the signal at the injection site (SM102: r = 0.8787, p < 0.0001; ALC0315: r = 0.9012, p < 0.0001; KC2: r = 0.9343, p < 0.0001). Overall, this study provides important insights into the differences between leading LNP formulations and their applicability to DNA- and RNA-based vaccinations.
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 | 0,001 |
| 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 ».