Lipid Nanoparticle-Mediated Hit-and-Run Approaches Yield Efficient and Safe <i>In Situ</i> Gene Editing in Human Skin
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Despite exciting advances in gene editing, the efficient delivery of genetic tools to extrahepatic tissues remains challenging. This holds particularly true for the skin, which poses a highly restrictive delivery barrier. In this study, we ran a head-to-head comparison between Cas9 mRNA or ribonucleoprotein (RNP)-loaded lipid nanoparticles (LNPs) to deliver gene editing tools into epidermal layers of human skin, aiming for in situ gene editing. We observed distinct LNP composition and cell-specific effects such as an extended presence of RNP in slow-cycling epithelial cells for up to 72 h. While obtaining similar gene editing rates using Cas9 RNP and mRNA with MC3-based LNPs (10–16%), mRNA-loaded LNPs proved to be more cytotoxic. Interestingly, ionizable lipids with a p K a ∼ 7.1 yielded superior gene editing rates (55%–72%) in two-dimensional (2D) epithelial cells while no single guide RNA-dependent off-target effects were detectable. Unexpectedly, these high 2D editing efficacies did not translate to actual skin tissue where overall gene editing rates between 5%–12% were achieved after a single application and irrespective of the LNP composition. Finally, we successfully base-corrected a disease-causing mutation with an efficacy of ∼5% in autosomal recessive congenital ichthyosis patient cells, showcasing the potential of this strategy for the treatment of monogenic skin diseases. Taken together, this study demonstrates the feasibility of an in situ correction of disease-causing mutations in the skin that could provide effective treatment and potentially even a cure for rare, monogenic, and common skin 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.
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 ».