High‐Resolution Characterization of Protein‐Conjugated, mRNA‐Loaded Lipid Nanoparticles by Analytical Ultracentrifugation
Notice bibliographique
Résumé
Abstract The study describes a novel use for the Custom Grid (CG) algorithm in UltraScan targeting lipid nanoparticles (LNPs) with cargos ranging from empty LNPs, LNPs loaded with messenger RNA (mRNA), and LNPs conjugated with proteins, or both. The CG method is used to fit sedimentation velocity analytical ultracentrifugation experiments performed in density matching mode to derive partial specific volume, molar mass, and hydrodynamic radius distributions for LNPs. Because LNP cargos often differ in density from the encapsulating lipids, density (or partial specific volume) is a critical quality attribute to quantify LNP composition and cargo loading. It is shown that the CG approach, in combination with D 2 O density matching, faithfully fits even complex cases that exhibit both sedimenting and floating analytes in the same sample without sacrificing generality, and derives density distributions confirming successful cargo loading. In addition, the method provides distributions for hydrodynamic radii, molar mass, and sedimentation coefficients. Analysis of the same samples with the parametrically constrained spectrum analysis provides orthogonal validation in good agreement with the CG analysis. The results show that polydispersity assessment and other metrics alone are unreliable in determining the fraction of empty LNPs present in a formulation, but density profiles obtained here clearly distinguish mRNA‐loaded from empty LNPs.
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 ».