Monitoring stability indicating impurities and aldehyde content in lipid nanoparticle raw material and formulated drugs
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) are designed to protect and transport sensitive payloads or active pharmaceutical ingredients as part of new therapeutic modalities. As a multi-component particle, a high degree of quality control is necessary to ensure raw materials are free of critical impurities that could adversely impact the drug product. In this study, we demonstrate a reversed phase liquid chromatography method hyphenated with a single quadrupole mass spectrometer (RPLC-MS) as an alternative platform to methods that incorporate evaporative light scattering or charged aerosol detectors in the detection and quantitation of critical impurities associated with LNPs. The proposed RPLC-MS method offers an increase of up to 2 orders of magnitude in dynamic range and 3 orders of magnitude in sensitivity in the analysis of impurities associated with LNPs compared to conventional detectors. Access to complementary mass data enabled the detection and identification of stability indicating impurities as part of stress studies carried out on an ionizable lipid. In addition to confirmation of peak identity, complementary mass data was also used to assess residual aldehydes in raw material and formulated LNPs in accordance with regulatory guidance. Following derivatization using 2,4-dinitrophenylhydrazine, aldehyde content in the ionizable lipid raw material was determined to exceed the reporting threshold of 0.05% in 30% of the test cases. The experimental findings observed in this study demonstrate the utility of the proposed RPLC-MS method in the identification and monitoring of stability-indicating attributes associated with LNPs as part of current Good Manufacturing Practices for improved consumer safety in drug products.
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 ».