The role of helper lipids in optimising nanoparticle formulations of self-amplifying RNA
Notice bibliographique
Résumé
Lipid nanoparticle (LNP) formulation plays a vital role in RNA vaccine delivery. However, further optimisation of self-amplifying RNA (saRNA) vaccine formulation could help enhance seroconversion rates in humans and improve storage stability. Altering either the ionisable or helper lipid can alter the characteristics and performance of formulated saRNA through the interplay of the phospholipid's packing parameter and the geometrical shape within the LNP membrane. In this study, we compared the impact of three helper lipids (DSPC, DOPC, or DOPE) used with two different ionisable lipids (MC3 and C12-200) on stability, transfection efficiency and the inflammation and immunogenicity of saRNA. While helper lipid identity altered saRNA expression across four cell lines in vitro, this was not predictive of an ex vivo or in vivo response. The helper lipid used influenced LNP storage where DSPC provided the best stability profile over four weeks at 2-8 °C. Importantly, helper lipid impact on LNP storage stability was the best predictor of expression in human skin explants, where C12-200 in combination with DSPC provided the most durable expression. C12-200 LNPs also improved protein expression (firefly luciferase) and humoral responses to a SARS-CoV-2 spike saRNA vaccine compared to MC3 LNPs, where the effect of helper lipids was less apparent. Nevertheless, the performance of C12-200 in combination with DSPC appears optimal for saRNA when balancing preferred storage stability requirements against in vivo and ex vivo potency. These data suggest that helper lipid influences the stability and functionality of ionisable lipid nanoparticle-formulated saRNA.
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 ».