Scalable purification enables high-quality virus-like particles for therapeutic translation
Notice bibliographique
Résumé
Emerging molecular therapies introduce enzymatic activity into cells by delivering genes, transcripts, or proteins. Owing to their robust cell-entry capacity, virus-like particles (VLPs) represent a technology of choice in genome editing, where low doses of heterologous proteins and nucleic acids are essential. However, clinical translation of VLP vectors is hindered by inadequate purification methods. Current approaches, relying primarily on ultracentrifugation, suffer from inconsistent product quality and poor scalability. Here, we report the development of a broadly applicable purification strategy that improves the purity and therapeutic efficacy of genome-editing VLPs. Considering the characteristic properties of murine leukemia virus-derived engineered VLPs and HIV-derived engineered nucleocytosolic vehicles for loading of programmable editors, we developed a workflow that involves single-modal and multimodal chromatographic steps, effectively removing host cell proteins and cell-culture contaminants while improving VLP integrity and biological activity. Our purified VLPs displayed superior protein composition, consistency, and enhanced functional delivery compared to VLPs partially purified by conventional ultracentrifugation methods. Mass spectrometric analysis revealed a substantial decrease in contaminants, with VLP-specific proteins comprising >90% of the final product. In vivo studies confirmed improved therapeutic outcomes when chromatographically purified VLPs were used. Our scalable purification platform addresses critical manufacturing bottlenecks and constitutes a starting point for further development of VLP therapeutics, enabling robust production of pure VLPs for diverse applications such as genome editing, vaccine development, and other uses that require intracellular protein delivery.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,001 | 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 ».