Physiologically based modeling of LNP-mediated delivery of mRNA in the vascular system
Notice bibliographique
Résumé
RNA therapeutics are an emerging, powerful class of drugs with potential applications in a wide range of disorders. A central challenge in their development is the lack of clear pharmacokinetic (PK)-pharmacodynamic relationship, in part due to the significant delay between the kinetics of RNA delivery and the onset of pharmacologic response. To bridge this gap, we have developed a physiologically based PK/pharmacodynamic model for systemically administered mRNA-containing lipid nanoparticles (LNPs) in mice. This model accounts for the physiologic determinants of mRNA delivery, active targeting in the vasculature, and differential transgene expression based on nanoparticle coating. The model was able to well-characterize the blood and tissue PKs of LNPs, as well as the kinetics of tissue luciferase expression measured by ex vivo activity in organ homogenates and bioluminescence imaging in intact organs. The predictive capabilities of the model were validated using a formulation targeted to intercellular adhesion molecule-1 and the model predicted nanoparticle delivery and luciferase expression within a 2-fold error for all organs. This modeling platform represents an initial strategy that can be expanded upon and utilized to predict the in vivo behavior of RNA-containing LNPs developed for an array of conditions and across species.
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 ».