Effect of in vitro transcription conditions on yield of high quality messenger and self-amplifying RNA
Notice bibliographique
Résumé
Messenger RNA (mRNA) and self-amplifying RNA (saRNA) vaccines against SARS-CoV-2 produced using in vitro transcription (IVT) were clinically approved in 2020 and 2022, respectively. While the industrial production of mRNA using IVT has been extensively optimized, the optimal conditions for saRNA have been explored to a lesser extent. Most T7 polymerase IVT protocols have been specifically optimized for mRNA which is ∼5–10-fold smaller than saRNA and may have profound effects on both the quality and yield of longer transcripts. Here, we optimized IVT conditions for simultaneously increasing the yield of full-length transcripts and reducing dsRNA formation through Design of Experiments. Using a definitive screening approach, we found that the key parameters are temperature and magnesium in the outcome of RNA quality (% full length transcript) and yield in small scale synthesis. The most important parameter for reducing dsRNA formation for both mRNA and saRNA was Mg2+ concentration (10 mM). We observed that a lower temperature was vital for production of high quality saRNA transcripts. mRNA quality was optimal at higher Mg2+ concentration (>40 mM). High quality transcripts correspond to significantly reduced product yield for saRNA, but not for mRNA. The differences between mRNA and saRNA requirements for high quality product and the relationship between high quality large saRNA molecules and low temperature synthesis have not been reported previously. These findings are key for informing future IVT parameters design and optimization for smaller and larger RNA transcripts.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».