Investigation on a Freeze-Drying Process for Long-Term Stability of mRNA-LNPs
Notice bibliographique
Résumé
Background: Thermostability remains a key bottleneck for equitable access to mRNA–LNP vaccines, largely due to cold-chain requirements. Objectives and methods: Here, we optimized freeze-drying formulations by screening excipients (sugars, sugar-alcohols, and proteins) and buffers to preserve mRNA–LNP physicochemical (size, polydispersity index -PDI and encapsulation efficiency -EE) and fluorescence intensity-based, functional integrity assay (in vitro transfection) during long-term storage of up to 6 months. Results: In a preliminary screening study, different sugars (sucrose, trehalose), sugar alcohol (mannitol), protein (gelatin) and different buffers (Tris, PBS, histidine) were evaluated. The preliminary result showed that sucrose and trehalose, along with Tris and histidine buffers, had a positive effect on maintaining the physicochemical properties during freeze-drying, while mannitol, gelatin and PBS buffer had a negative effect. Based on these findings, the optimized formulations containing sucrose/Tris, sucrose/histidine, trehalose/Tris and trehalose/histidine were chosen, and a stability study was performed at −80, −20, 4, and 20 °C for six months. Conclusions: Overall, except for the samples maintained at 20 °C, no significant changes in the physicochemical quality of the freeze-dried mRNA-LNPs were observed over six months at −80, −20, and 4 °C. The in vitro stability study demonstrated stability at 4 °C for four months across all formulations, while a formulation with sucrose/Tris maintained satisfactory stability even at 20 °C for the same duration. The main results of this study demonstrate the feasibility of storing mRNA drug products as solid formulations at non-freezing temperatures (≤ 4 °C).
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».