Quantitative Visualization of Lipid Nanoparticle Fusion as a Function of Formulation and Process Parameters
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) have proven to be promising delivery vehicles for RNA-based vaccines and therapeutics, particularly in LNP formulations containing ionizable cationic lipids that undergo protonation/deprotonation in response to buffer pH changes. These nanoparticles are typically formulated using a rapid mixing technique at low pH, followed by a return to physiological pH that triggers LNP-LNP fusion. A detailed understanding of these dynamic processes is crucial to optimize the overall performance and efficiency of LNPs. However, knowledge gaps persist regarding how particle formation mechanisms impact drug loading and delivery functions. In this work, we employ single-molecule Convex Lens-induced Confinement (CLiC) microscopy in combination with Förster resonance energy transfer (FRET) measurements to study LNP fusion dynamics in relation to various formulation parameters, including lipid concentration, buffer conditions, drug loading ratio, PEG-lipid concentrations, and ionizable lipid selection. Our results reveal a strong correlation between the measured fusion dynamics and the formulation parameters used; these findings are consistent with DLS and Cryo-TEM-based assays. These measurements offer a cost-effective method for characterizing and screening potential drug candidates and can provide additional insights into their design, with opportunities for optimization.
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 ».