Name: Ein Workflow zur Optimierung der Formulierung von Lipid-Nanopartikeln (LNP) unter Verwendung von Experimenten mit designten Mischungsprozessen und selbstvalidierten Ensemblemodellen (SVEM) (Video) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: Lernen Sie einen optimierten Workflow zur Formulierung von Lipid-Nanopartikeln mit SVEM-Modellen und informativen Grafiken. Diese Methode minimiert statistische Fehler und erleichtert die Interpretation komplexer Versuchsergebnisse erheblich.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir danken dem Herausgeber und den anonymen Gutachtern für Vorschläge, die den Artikel verbessert haben.

<ol><li>Dolgin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Better+lipids+to+power+next+generation+of+mRNA+vaccines%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Better lipids to power next generation of mRNA vaccines.</a> Science. 376 (6594), 680-681 (2022).</li>
<li>Hou, X., Zaks, T., Langer, R., Dong, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lipid+nanoparticles+for+mRNA+delivery%5BTitle%5D)+AND+%22Nature+Reviews+Materials%22%5BJournal%5D)">Lipid nanoparticles for mRNA delivery.</a> Nature Reviews Materials. 6 (12), 1078-1094 (2021).</li>
<li>Huang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+landscape+of+mRNA+nanomedicine%5BTitle%5D)+AND+%22Nature+Medicine%22%5BJournal%5D)">The landscape of mRNA nanomedicine.</a> Nature Medicine. 28, 2273-2287 (2022).</li>
<li>Rampado, R., Peer, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+of+experiments+in+the+optimization+of+nanoparticle-based+drug+delivery+systems%5BTitle%5D)+AND+%22Journal+of+Controlled+Release%22%5BJournal%5D)">Design of experiments in the optimization of nanoparticle-based drug delivery systems.</a> Journal of Controlled Release. 358, 398-419 (2023).</li>
<li>Kauffman, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+lipid+nanoparticle+formulations+for+mRNA+delivery+in+vivo+with+fractional+factorial+and+definitive+screening+designs%5BTitle%5D)+AND+%22Nano+Letters%22%5BJournal%5D)">Optimization of lipid nanoparticle formulations for mRNA delivery in vivo with fractional factorial and definitive screening designs.</a> Nano Letters. 15, 7300-7306 (2015).</li>
<li>Jones, B., Nachtsheim, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+class+of+three-level+designs+for+definitive+screening+in+the+presence+of+second-order+effects%5BTitle%5D)+AND+%22Journal+of+Quality+Technology%22%5BJournal%5D)">A class of three-level designs for definitive screening in the presence of second-order effects.</a> Journal of Quality Technology. 43, 1-15 (2011).</li>
<li>Cornell, J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCornell%2C+J+%22Experiments+with+Mixtures%3A+Designs%2C+Models%2C+and+the+Analysis+of+Mixture+Data.+Wiley+Series+in+Probability+and+Statistics%22">Experiments with Mixtures: Designs, Models, and the Analysis of Mixture Data. Wiley Series in Probability and Statistics</a>. , Wiley. (2002).</li>
<li>Jones, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proper+and+improper+use+of+definitive+screening+designs+%28DSDs%29%5BTitle%5D)+AND+%22JMP+user+Community%22%5BJournal%5D)">Proper and improper use of definitive screening designs (DSDs).</a> JMP user Community. , https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/bc-p/546773 (2016).</li>
<li>Myers, R., Montgomery, D., Anderson-Cook, C. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMyers%2C+R+%22Response+Surface+Methodology%22">Response Surface Methodology</a>. , Wiley. (2016).</li>
<li>Lekivetz, R., Jones, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+flexible+space-filling+designs+for+nonrectangular+regions%5BTitle%5D)+AND+%22Quality+and+Reliability+Engineering+International%22%5BJournal%5D)">Fast flexible space-filling designs for nonrectangular regions.</a> Quality and Reliability Engineering International. 31, 829-837 (2015).</li>
<li>Czitrom, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((One-factor-at-a-time+versus+designed+experiments%5BTitle%5D)+AND+%22The+American+Statistician%22%5BJournal%5D)">One-factor-at-a-time versus designed experiments.</a> The American Statistician. 53, 126-131 (1999).</li>
<li>Karl, A., Wisnowski, J., Rushing, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((JMP+Pro+17+remedies+for+practical+struggles+with+mixture+experiments%5BTitle%5D)+AND+%22JMP+Discovery+Conference%22%5BJournal%5D)">JMP Pro 17 remedies for practical struggles with mixture experiments.</a> JMP Discovery Conference. , (2022).</li>
<li>Lemkus, T., Gotwalt, C., Ramsey, P., Weese, M. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Self-validated+ensemble+models+for+design+of+experiments%5BTitle%5D)+AND+%22Chemometrics+and+Intelligent+Laboratory+Systems%22%5BJournal%5D)">Self-validated ensemble models for design of experiments.</a> Chemometrics and Intelligent Laboratory Systems. 219, 104439(2021).</li>
<li>Gotwalt, C., Ramsey, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Model+validation+strategies+for+designed+experiments+using+bootstrapping+techniques+with+applications+to+biopharmaceuticals%5BTitle%5D)+AND+%22JMP+Discovery+Conference%22%5BJournal%5D)">Model validation strategies for designed experiments using bootstrapping techniques with applications to biopharmaceuticals.</a> JMP Discovery Conference. , (2018).</li>
<li>Xu, L., Gotwalt, C., Hong, Y., King, C. B., Meeker, W. Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applications+of+the+fractional-random-weight+bootstrap%5BTitle%5D)+AND+%22The+American+Statistician%22%5BJournal%5D)">Applications of the fractional-random-weight bootstrap.</a> The American Statistician. 74 (4), 345-358 (2020).</li>
<li>Ramsey, P., Levin, W., Lemkus, T., Gotwalt, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SVEM%3A+A+paradigm+shift+in+design+and+analysis+of+experiments%5BTitle%5D)+AND+%22JMP+Discovery+Conference+Europe%22%5BJournal%5D)">SVEM: A paradigm shift in design and analysis of experiments.</a> JMP Discovery Conference Europe. , (2021).</li>
<li>Ramsey, P., Gaudard, M., Levin, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+innovation+with+space+filling+mixture+designs%2C+neural+networks+and+SVEM%5BTitle%5D)+AND+%22JMP+Discovery+Conference%22%5BJournal%5D)">Accelerating innovation with space filling mixture designs, neural networks and SVEM.</a> JMP Discovery Conference. , (2021).</li>
<li>Lemkus, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Self-Validated+Ensemble+modelling%5BTitle%5D)+AND+%22Doctoral+Dissertations.+2707%22%5BJournal%5D)">Self-Validated Ensemble modelling.</a> Doctoral Dissertations. 2707. , https://scholars.unh.edu/dissertation/2707 (2022).</li>
<li>Juran, J. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJuran%2C+JM+%22Juran+on+Quality+by+Design%3A+The+New+Steps+for+Planning+Quality+into+Goods+and+Services%22">Juran on Quality by Design: The New Steps for Planning Quality into Goods and Services</a>. , Free Press. (1992).</li>
<li>Yu, L. X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+pharmaceutical+quality+by+design%5BTitle%5D)+AND+%22The+AAPS+Journal%22%5BJournal%5D)">Understanding pharmaceutical quality by design.</a> The AAPS Journal. 16, 771(2014).</li>
<li>Simpson, J. R., Listak, C. M., Hutto, G. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+planning+and+evidence+for+assessing+a+well-designed+experiment%5BTitle%5D)+AND+%22Quality+Engineering%22%5BJournal%5D)">Guidelines for planning and evidence for assessing a well-designed experiment.</a> Quality Engineering. 25, 333-355 (2013).</li>
<li>Daniel, S., Kis, Z., Kontoravdi, C., Shah, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quality+by+design+for+enabling+RNA+platform+production+processes%5BTitle%5D)+AND+%22Trends+in+Biotechnology%22%5BJournal%5D)">Quality by design for enabling RNA platform production processes.</a> Trends in Biotechnology. 40 (10), 1213-1228 (2022).</li>
<li>Scheffé, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Experiments+with+mixtures%5BTitle%5D)+AND+%22Journal+of+the+Royal+Statistical+Society+Series+B%22%5BJournal%5D)">Experiments with mixtures.</a> Journal of the Royal Statistical Society Series B. 20, 344-360 (1958).</li>
<li>Brown, L., Donev, A. N., Bissett, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((General+blending+models+for+data+from+mixture+experiments%5BTitle%5D)+AND+%22Technometrics%22%5BJournal%5D)">General blending models for data from mixture experiments.</a> Technometrics. 57, 449-456 (2015).</li>
<li>Herrera, M., Kim, J., Eygeris, Y., Jozic, A., Sahay, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Illuminating+endosomal+escape+of+polymorphic+lipid+nanoparticles+that+boost+mRNA+delivery%5BTitle%5D)+AND+%22Biomaterials+Science%22%5BJournal%5D)">Illuminating endosomal escape of polymorphic lipid nanoparticles that boost mRNA delivery.</a> Biomaterials Science. 9 (12), 4289-4300 (2021).</li>
<li>Lemkus, T., Ramsey, P., Gotwalt, C., Weese, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Self-validated+ensemble+models+for+design+of+experiments%5BTitle%5D)+AND+%22ArXiv%22%5BJournal%5D)">Self-validated ensemble models for design of experiments.</a> ArXiv. , 2103.09303(2021).</li>
<li>Goos, P., Jones, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGoos%2C+P+%22Optimal+Design+of+Experiments%3A+A+Case+Study+Approach%22">Optimal Design of Experiments: A Case Study Approach</a>. , John Wiley & Sons, Ltd. (2011).</li>
<li>Rushing, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DOE+Gumbo%3A+How+hybrid+and+augmenting+designs+can+lead+to+more+effective+design+choices%5BTitle%5D)+AND+%22JMP+Discovery+Conference%22%5BJournal%5D)">DOE Gumbo: How hybrid and augmenting designs can lead to more effective design choices.</a> JMP Discovery Conference. , (2020).</li>
</ol>

Die experimentelle Designstrategie, die diesem Workflow zugrunde liegt, wurde in zwei Patentanmeldungen eingesetzt, bei denen einer der Autoren Erfinder ist. Darüber hinaus ist Adsurgo, LLC ein zertifizierter JMP-Partner. Die Entwicklung und Veröffentlichung dieses Papiers erfolgte jedoch ohne jegliche Form von finanziellen Anreizen, Ermutigungen oder anderen Anreizen durch JMP.

Moderne Software für die Planung und Analyse von Experimenten mit Mischungsprozessen ermöglicht es Wissenschaftlern, ihre Lipid-Nanopartikel-Formulierungen in einem strukturierten Arbeitsablauf zu verbessern, der ineffiziente OFAT-Experimente vermeidet. Der kürzlich entwickelte SVEM-Modellierungsansatz eliminiert viele der obskuren Regressionsmodifikationen und Modellreduktionsstrategien, die Wissenschaftler zuvor möglicherweise mit überflüssigen statistischen Überlegungen abgelenkt haben. Sobald die Ergebnisse gesammelt...

Lipid-Nanopartikel-Formulierungen (LNP) für In-vivo-Gentransfersysteme enthalten im Allgemeinen vier Bestandteile von Lipiden aus den Kategorien ionisierbare, Helfer- und PEG-Lipide 1,2,3. Unabhängig davon, ob diese Lipide allein oder gleichzeitig mit anderen Nicht-Mischungsfaktoren untersucht werden, erfordern Experimente für diese Formulierungen "Mischungs"-Designs, da - bei einer Kandidatenformulierung - das Erhöhen oder Verringern des Verhältnisses eines der Lipide notwendigerweise zu einer entsprechenden Abnahme oder Zunahme der Summe der Verhältnisse der anderen drei Lipide führt.
Zur Veranschaulichung wird angenommen, dass wir eine LNP-Formulierung optimieren, die derzeit eine festgelegte Rezeptur verwendet, die als Benchmark behandelt wird. Ziel ist es, die Wirksamkeit des LNP zu maximieren, während sekundär die durchschnittliche Partikelgröße minimiert wird. Die Untersuchungsfaktoren, die im Experiment variiert werden, sind die molaren Verhältnisse der vier konstituierenden Lipide (ionisierbar, Cholesterin, DOPE, PEG), das N:P-Verhältnis, die Flussrate und der ionisierbare Lipidtyp. Die ionisierbaren Lipide und Hilfslipide (einschließlich Cholesterin) dürfen über einen größeren Bereich des molaren Verhältnisses, 10-60 %, variieren als PEG, das in dieser Abbildung von 1-5 % variiert wird. Die Benchmark-Formulierungsrezeptur und die Bereiche der anderen Faktoren sowie deren Rundungsgranularität sind in der Ergänzungsdatei 1 angegeben. Für dieses Beispiel sind die Wissenschaftler in der Lage, 23 Durchläufe (einzigartige Chargen von Partikeln) an einem einzigen Tag durchzuführen und möchten diese als Stichprobengröße verwenden, wenn sie die Mindestanforderungen erfüllt. Simulierte Ergebnisse für dieses Experiment finden Sie in den Ergänzungsdateien 2 und 3 .
Rampado und Peer4 haben ein aktuelles Übersichtspapier zum Thema geplante Experimente zur Optimierung von Nanopartikel-basierten Drug-Delivery-Systemen veröffentlicht. Kauffman et al.5 betrachteten LNP-Optimierungsstudien unter Verwendung von fraktionsfaktoriellen und definitiven Screening-Designs6; Diese Arten von Versuchsplänen können jedoch keine Mischungsbeschränkung berücksichtigen, ohne auf die Verwendung ineffizienter "Schlupfvariablen"7 zurückzugreifen, und werden in der Regel nicht verwendet, wenn Mischungsfaktoren vorhanden sind 7,8. Stattdessen werden traditionell "optimale Designs", die in der Lage sind, eine Mischungsbeschränkung zu berücksichtigen, für Mischungsprozessexperimenteverwendet 9. Diese Designs zielen auf eine benutzerdefinierte Funktion der Studienfaktoren ab und sind nur dann optimal (in einem von mehreren möglichen Sinne), wenn diese Funktion die wahre Beziehung zwischen den Studienfaktoren und den Antworten erfasst. Beachten Sie, dass im Text zwischen "optimalen Designs" und "optimalen Formulierungskandidaten" unterschieden wird, wobei sich letztere auf die besten Formulierungen beziehen, die durch ein statistisches Modell identifiziert wurden. Optimale Designs bringen drei Hauptnachteile für Experimente mit Mischprozessen mit sich. Erstens, wenn der Wissenschaftler bei der Spezifizierung des Zielmodells keine Wechselwirkung der Studienfaktoren antizipiert, wird das resultierende Modell verzerrt und kann minderwertige Kandidatenformulierungen hervorbringen. Zweitens platzieren optimale Versuchspläne die meisten Durchläufe an der äußeren Begrenzung des Faktorraums. In LNP-Studien kann dies zu einer großen Anzahl von verlorenen Durchläufen führen, wenn sich die Partikel an keinen Extremen der Lipid- oder Prozesseinstellungen korrekt bilden. Drittens bevorzugen Wissenschaftler oft experimentelle Läufe im Inneren des Faktorraums, um ein modellunabhängiges Gefühl für die Wirkungsfläche zu gewinnen und den Prozess direkt in bisher unerforschten Regionen des Faktorraums zu beobachten.
Ein alternatives Designprinzip besteht darin, mit einem raumfüllenden Design 10 eine annähernd gleichmäßige Abdeckung des (mischungsbeschränkten) Faktorraumsanzustreben. Diese Versuchspläne opfern eine gewisse experimentelle Effizienz im Vergleich zu optimalen Versuchsplänen9 (unter der Annahme, dass der gesamte Faktorraum zu gültigen Formulierungen führt), bieten jedoch mehrere Vorteile in einem Kompromiss, die in dieser Anwendung nützlich sind. Das raumfüllende Design macht keine a priori Annahmen über die Struktur der Antwortfläche; Dies gibt ihm die Flexibilität, unvorhergesehene Beziehungen zwischen den Studienfaktoren zu erfassen. Dadurch wird auch die Entwurfserstellung optimiert, da keine Entscheidungen darüber getroffen werden müssen, welche Regressionsterme hinzugefügt oder entfernt werden sollen, wenn die gewünschte Laufgröße angepasst wird. Wenn einige Designpunkte (Rezepte) zu fehlgeschlagenen Formulierungen führen, ermöglichen raumfüllende Designs die Modellierung der Fehlergrenze über die Studienfaktoren und unterstützen gleichzeitig statistische Modelle für die Studienantworten über die erfolgreichen Faktorkombinationen. Schließlich ermöglicht die innere Abdeckung des Faktorraums eine modellunabhängige grafische Erkundung der Wirkungsfläche.
Zur Visualisierung des Mischungsfaktor-Unterraums eines Mischungsprozess-Experiments werden spezielle dreieckige "ternäre Plots" verwendet. Abbildung 1 motiviert diese Verwendung: Im Punktwürfel, in dem jeweils drei Zutaten im Bereich von 0 bis 1 liegen dürfen, werden die Punkte, die die Bedingung erfüllen, dass die Summe der Zutaten gleich 1 ist, rot hervorgehoben. Die Mischungsbeschränkung für die drei Zutaten reduziert den möglichen Faktorraum auf ein Dreieck. In LNP-Anwendungen mit vier Mischungsbestandteilen erzeugen wir sechs verschiedene ternäre Diagramme, um den Faktorraum darzustellen, indem wir zwei Lipide gleichzeitig gegen eine "Andere"-Achse auftragen, die die Summe der anderen Lipide darstellt.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> Abbildung 1: Bereiche des Dreiecksfaktors. Im raumfüllenden Diagramm innerhalb des Würfels stellen die kleinen grauen Punkte Formulierungen dar, die nicht mit der Mischungsbeschränkung übereinstimmen. Die größeren roten Punkte liegen auf einem Dreieck, das in den Würfel eingeschrieben ist, und stellen Formulierungen dar, für die die Mischungsbeschränkung erfüllt ist. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.</a>
Zusätzlich zu den Lipidmischungsfaktoren gibt es oft einen oder mehrere kontinuierliche Prozessfaktoren wie das N:P-Verhältnis, die Pufferkonzentration oder die Durchflussrate. Es können kategoriale Faktoren vorhanden sein, wie z. B. der ionisierbare Lipidtyp, der Helferlipidtyp oder der Puffertyp. Ziel ist es, in In-vivo-Studien eine Formulierung (eine Mischung aus Lipiden und Einstellungen für Prozessfaktoren) zu finden, die ein gewisses Maß an Wirksamkeit maximiert und/oder physikalisch-chemische Eigenschaften wie die Minimierung der Partikelgröße und des PDI (Polydispersitätsindex), die Maximierung der prozentualen Verkapselung und die Minimierung von Nebenwirkungen - wie z. B. Körpergewichtsverlust - verbessert. Selbst wenn man von einem vernünftigen Benchmark-Rezept ausgeht, kann es bei einer Änderung der genetischen Nutzlast oder bei der Berücksichtigung von Änderungen der Prozessfaktoren oder Lipidtypen an einer erneuten Optimierung interessiert sein.
Cornell7 bietet einen definitiven Text über die statistischen Aspekte von Mischungs- und Mischprozessexperimenten, wobei Myers et al.9 eine hervorragende Zusammenfassung der relevantesten Mischungsdesign- und Analysethemen für die Optimierung liefern. Diese Arbeiten können Wissenschaftler jedoch mit statistischen Details und Fachterminologie überfrachten. Moderne Software für die Planung und Analyse von Experimenten bietet eine robuste Lösung, die die meisten LNP-Optimierungsprobleme ausreichend unterstützt, ohne sich auf die entsprechende Theorie berufen zu müssen. Während kompliziertere Studien oder Studien mit hoher Priorität immer noch von der Zusammenarbeit mit einem Statistiker profitieren und eher optimale als platzfüllende Designs verwenden können, ist es unser Ziel, den Komfort der Wissenschaftler zu verbessern und die Optimierung von LNP-Formulierungen zu fördern, ohne an ineffiziente OFAT-Tests (One-Factor-at-a-Time)11 zu appellieren oder sich einfach mit der ersten Formulierung zufrieden zu geben, die den Spezifikationen entspricht.
In diesem Artikel wird ein Workflow vorgestellt, der statistische Software verwendet, um ein generisches LNP-Formulierungsproblem zu optimieren und Design- und Analyseprobleme in der Reihenfolge anzugehen, in der sie auftreten werden. Tatsächlich wird die Methode für allgemeine Optimierungsprobleme funktionieren und ist nicht auf LNPs beschränkt. Auf dem Weg dorthin werden mehrere häufig auftretende Fragen angesprochen und Empfehlungen gegeben, die auf Erfahrungen und Simulationsergebnissen basieren12. Das kürzlich entwickelte Framework der selbstvalidierten Ensemble-Modelle (SVEM)13 hat den ansonsten fragilen Ansatz zur Analyse von Ergebnissen aus Mix-Prozess-Experimenten erheblich verbessert, und wir verwenden diesen Ansatz, um eine vereinfachte Strategie für die Formulierungsoptimierung bereitzustellen. Während der Arbeitsablauf in einer allgemeinen Art und Weise aufgebaut ist, die mit anderen Softwarepaketen befolgt werden könnte, ist JMP 17 Pro einzigartig, da es SVEM zusammen mit den grafischen Zusammenfassungswerkzeugen bietet, die wir als notwendig erachtet haben, um die ansonsten obskure Analyse von Mischprozessexperimenten zu vereinfachen. Daher werden auch JMP-spezifische Anweisungen im Protokoll bereitgestellt.
SVEM verwendet die gleiche lineare Regressionsmodellgrundlage wie der traditionelle Ansatz, ermöglicht es uns jedoch, langwierige Modifikationen zu vermeiden, die erforderlich sind, um ein "vollständiges Modell" von Kandidateneffekten anzupassen, indem wir entweder einen Vorwärtsselektions- oder einen Penalized Selection-Basisansatz (Lasso) verwenden. Darüber hinaus bietet SVEM eine verbesserte "reduzierte Modellanpassung", die das Potenzial für die Einbeziehung von Rauschen (Prozess plus analytische Varianz), das in den Daten auftritt, minimiert. Es funktioniert, indem die prognostizierten Modelle gemittelt werden, die sich aus der wiederholten Neugewichtung der relativen Wichtigkeit der einzelnen Durchläufe im Modell 13,14,15,16,17,18 ergeben. SVEM bietet einen Rahmen für die Modellierung von Mix-Prozess-Experimenten, der sowohl einfacher zu implementieren ist als die herkömmliche Single-Shot-Regression als auch qualitativ bessere optimale Formulierungskandidaten liefert12,13. Die mathematischen Details von SVEM würden den Rahmen dieses Artikels sprengen, und selbst eine oberflächliche Zusammenfassung über die relevante Literaturrecherche hinaus würde von seinem Hauptvorteil in dieser Anwendung ablenken: Es ermöglicht ein einfaches, robustes und genaues Click-to-Run-Verfahren für Praktiker.
Der vorgestellte Workflow steht im Einklang mit dem Quality by Design (QbD)19-Ansatz für die pharmazeutische Entwicklung20. Das Ergebnis der Studie wird ein Verständnis der funktionalen Beziehung sein, die die Materialattribute und Prozessparameter mit kritischen Qualitätsmerkmalen (CQAs) verbindet21. Daniel et al.22 diskutieren die Verwendung eines QbD-Frameworks speziell für die RNA-Plattformproduktion: Unser Workflow könnte als Werkzeug innerhalb dieses Frameworks verwendet werden.

<table><tbody><tr><td>JMP Pro 17.1</td><td>JMP Statistical Discovery LLC</td><td></td><td></td></tr></tbody></table>

ein workflow zur optimierung der formulierung von lipid-nanopartikeln (lnp) unter verwendung von experimenten mit designten mischungsprozessen und selbstvalidierten ensemblemodellen (svem)

A Workflow for Lipid Nanoparticle (LNP) Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models (SVEM)

Wir stellen einen Quality by Design (QbD)-ähnlichen Ansatz zur Optimierung von Lipid-Nanopartikel-Formulierungen (LNP) vor, der darauf abzielt, Wissenschaftlern einen zugänglichen Arbeitsablauf zu bieten. Die inhärente Beschränkung in diesen Studien, bei der die molaren Verhältnisse von ionisierbaren, Helfer- und PEG-Lipiden bis zu 100 % betragen müssen, erfordert spezielle Design- und Analysemethoden, um diese Mischungsbeschränkung zu berücksichtigen. Wir konzentrieren uns auf Lipid- und Prozessfaktoren, die üblicherweise bei der LNP-Designoptimierung verwendet werden, und bieten Schritte, die viele der Schwierigkeiten vermeiden, die traditionell bei der Planung und Analyse von Mischungsprozessexperimenten auftreten, indem wir raumfüllende Designs verwenden und den kürzlich entwickelten statistischen Rahmen der selbstvalidierten Ensemblemodelle (SVEM) verwenden. Neben der Erstellung optimaler Formulierungen erstellt der Workflow auch grafische Zusammenfassungen der angepassten statistischen Modelle, die die Interpretation der Ergebnisse vereinfachen. Die neu identifizierten Kandidatenformulierungen werden mit Bestätigungsläufen bewertet und können optional im Rahmen einer umfassenderen Zweitphasenstudie durchgeführt werden.

Dieser Ansatz wurde für beide allgemein klassifizierten Lipidtypen validiert: MC3-ähnliche klassische Lipide und Lipidoide (z. B. C12-200), die im Allgemeinen aus der kombinatorischen Chemie stammen. Im Vergleich zu einer Benchmark-LNP-Formulierung, die mit einer One-Factor-at-a-Time-Methode (OFAT) entwickelt wurde, zeigen die durch unseren Workflow generierten Kandidatenformulierungen häufig Potenzverbesserungen von 4- bis 5-fach auf logarithmischer Skala, wie in den Luziferase-Messwerten der Mausleber in <strong class=...

Dieses Protokoll bietet einen Ansatz zur Formulierungsoptimierung über Mischungs-, kontinuierliche und kategoriale Studienfaktoren, der subjektive Entscheidungen bei der Konstruktion des Versuchsdesigns minimiert. Für die Analysephase wird ein effektives und einfach zu handhabendes Modellierungsanpassungsverfahren verwendet.

Ein Workflow zur Optimierung der Formulierung von Lipid-Nanopartikeln (LNP) unter Verwendung von Experimenten mit designten Mischungsprozessen und selbstvalidierten Ensemblemodellen (SVEM)

We present a Quality by Design (QbD) styled approach for optimizing lipid nanoparticle (LNP) formulations, aiming to offer scientists an accessible ...

Dieser Artikel bietet Wissenschaftlern einen Arbeitsablauf, um eine Versuchsplanungstabelle zu erstellen und experimentelle Ergebnisse über eine Vielzahl von Mischungs- und Prozessfaktoren zu analysieren, ohne dass langwierige und potenziell volatile statistische Entscheidungen erforderlich sind. Die resultierenden Modelle können gemeinsam über mehrere Antwortvariablen optimiert und verwendet werden, um aussagekräftige Grafiken zu erstellen, die sowohl die gemeinsame Antwortfläche als auch die Vorhersagen der einzelnen Antworten zusammenfassen. Diese Grafiken sind einfacher zu interpretieren als die Parameterschätzungen aus den zugrunde liegenden statistischen Modellen und sind hilfreich bei der Darstellung der Faktoreinstellungen, die die wünschenswertesten Antwortvariablen erzeugen.Wissenschaftler bei der Formulierung von Lipiden und Nanopartikeln müssen häufig neue Rezepturen für unterschiedliche Nutzlasten oder bei der Änderung von Lipiden oder Prozesseinstellungen konstruieren. Wir bieten einen robusten Ansatz zur Formulierungsoptimierung, der das Fehlerpotenzial bei der Konstruktion minimiert und die Notwendigkeit umfangreicher Statistiken und Kenntnisse während der Analyse vermeidet. Fassen Sie den Zweck des Experiments in einem Dokument mit Datumsstempel zusammen.Listen Sie die Antworten auf, die während des Experiments gemessen werden. Wählen Sie die Faktoren aus, die variiert werden, und diejenigen, die während der Studie konstant gehalten werden. Legen Sie die Bereiche für die unterschiedlichen Faktoren und die jeweils relevante Dezimalgenauigkeit fest.Bestimmen Sie die Größe des Studiendesigns mithilfe der minimalen und maximalen Heuristiken. Öffnen Sie den Sprung und navigieren Sie in der Menüleiste zu DOI, Special Purpose, Space Filling Design. Geben Sie die Antworten auf die Studie ein.Geben Sie die Studienfaktoren und die Bereiche ein. Geben Sie die vorgegebene Anzahl von Durchläufen für den Versuchsplan ein. Generieren Sie die raumfüllende Versuchsplantabelle für die ausgewählten Faktoren und die Laufgröße.Fügen Sie der Tabelle eine Notizspalte hinzu, um manuell erstellte Ausführungen mit Anmerkungen zu versehen. Integrieren Sie ggf. manuell Benchmark-Kontrollläufe in die Entwurfstabelle. Fügen Sie eine Replikation für einen der kontrollierten Benchmarks hinzu.Markieren Sie den Namen des Benchmarks in der Spalte "Notizen" und codieren Sie die Zeilen der Benchmark-Replizierung farblich, um eine einfache korrekte Identifizierung zu ermöglichen. Runden Sie die Mischung der Faktorstufen auf die entsprechende Granularität. Kopieren Sie die gerundeten Werte und fügen Sie sie in die ursprünglichen Spalten ein.Löschen Sie die redundanten Kopien der gerundeten Spalten. Überprüfen Sie nach dem Runden der Lipidfaktoren, ob ihre Summe 100 % beträgtWenn eine Zeilensumme nicht gleich einem ist, passen Sie einen der Mischungsfaktoren manuell an und stellen Sie sicher, dass er innerhalb des Faktorbereichs bleibt. Löschen Sie die Summenspalte, nachdem die Anpassungen vorgenommen wurden.Befolgen Sie das gleiche Verfahren wie beim Runden der Mischungsfaktoren, um die Prozessfaktoren auf ihre jeweilige Granularität zu runden. Formatieren Sie die Lipidspalten so, dass sie als Prozentsätze mit einer gewünschten Anzahl von Dezimalstellen angezeigt werden. Wenn Sie manuelle Ausführungen wie Benchmarks hinzugefügt haben, ordnen Sie die Reihenfolge der Tabellenzeilen neu und fügen Sie eine neue Spalte mit gerundeten Werten hinzu.Sortieren Sie diese Spalte in aufsteigender Reihenfolge, indem Sie mit der rechten Maustaste auf die Spaltenüberschrift klicken, und löschen Sie dann die Spalte. Generieren Sie ternäre Diagramme, um die Versuchsplanpunkte über den Lipidfaktoren zu visualisieren. Untersuchen Sie auch die Laufverteilung über die Prozessfaktoren.Die Formulierungswissenschaftler sollten die Machbarkeit aller Durchläufe bestätigen. Wenn nicht durchführbare Ausführungen vorhanden sind, starten Sie den Entwurf unter Berücksichtigung der neu entdeckten Einschränkungen neu. Führen Sie das Experiment in der Reihenfolge aus, die in der Entwurfstabelle angegeben ist.Notieren Sie die Messwerte in der Spalte, die in die Versuchstabelle eingebaut ist. Zeichnen Sie die Messwerte auf und untersuchen Sie die Verteilung der Antwortvariablen. Untersuchen Sie den relativen Abstand zwischen den farbcodierten Replikatläufen, falls einer enthalten war, dies ermöglicht das Verständnis des Gesamtprozesses und der analytischen Streuung am Benchmark im Vergleich zur Variabilität aufgrund der Änderungen der Faktoreinstellungen über den gesamten Faktorraum.Stelle die Läufe auf einem ternären Grundstück her. Färben Sie die Punkte entsprechend den Antwortvariablen ein, um eine modellunabhängige Ansicht des Verhaltens über die Mischungsfaktoren zu erhalten. Klicken Sie mit der rechten Maustaste auf eines der resultierenden Diagramme, wählen Sie Zeilenlegende und dann die Antwortspalte aus.Wiederholen Sie diesen Vorgang für jede Antwort. Erstellen Sie ein unabhängiges Modell für jede Antwortvariable in Abhängigkeit von den Studienfaktoren. Löschen Sie die Modellskripte, die durch den raumfüllenden Entwurf erstellt wurden.Wählen Sie "Analysieren" und "Modell anpassen" aus. Konstruieren Sie ein vollständiges Modell, das alle Kandidateneffekte enthält. Dieses Modell sollte die Haupteffekte jedes Faktors, Zwei- und Drei-Wege-Wechselwirkungen, quadratische und partielle kubische Terme in den Prozessfaktoren und kubische Scheffe-Terme für die Mischungsfaktoren enthalten.Wählen Sie alle Studienfaktoren aus. Ändern Sie den Eintrag für Grad von der Standardeinstellung von zwei auf drei. Wählen Sie dann eine Fakultät für Grad aus.Wählen Sie nur die Nicht-Mischungsfaktoren aus, und wählen Sie dann Makros, Teilkubisch aus. Wählen Sie nur die Mischungsfaktoren aus, und wählen Sie dann Makros, Scheffe Cubic. Deaktivieren Sie die Standardoption no intercept.Geben Sie die Antwortspalte an, und ändern Sie die Persönlichkeit in Generalisierte Regression. Speichern Sie dieses eingerichtete Modell in der Datentabelle, damit Sie es leicht abrufen können. Wählen Sie In Datentabelle speichern aus.Klicken Sie auf Ausführen. Wählen Sie für die Schätzmethode die Option SVEM-Vorwärtsauswahl aus. Erweitern Sie die Menüs "Erweiterte Steuerelemente Begriffe erzwingen" und deaktivieren Sie die Kontrollkästchen, die den Haupteffekten der Mischung entsprechen.Nur der Intercept-Begriff bleibt aktiviert. Klicken Sie auf Los.Stellen Sie die tatsächlichen Antwortvariablen anhand der vorhergesagten Antworten aus dem SVEM-Modell dar, um eine angemessene Vorhersagbarkeit zu überprüfen. Klicken Sie auf das rote Dreieck neben SVEM-Vorwärtsauswahl, und wählen Sie Spalten speichern, Vorhersageformel speichern aus.Dadurch wird eine neue Spalte erstellt, die die Vorhersageformel in der Datentabelle enthält Wiederholen Sie die Modellerstellungsschritte für jede Antwortvariable. Nachdem alle Antwortvariablen über Vorhersagespalten in der Datentabelle gespeichert wurden, zeichnen Sie die Antwortablaufverfolgungen für alle vorhergesagten Antwortspalten mithilfe einer Profilerfunktion. Wählen Sie Diagrammprofiler aus, und wählen Sie alle Vorhersagespalten aus, die im vorherigen Schritt für die Y-Vorhersageformel erstellt wurden, und klicken Sie auf OK.Identifizieren Sie geeignete optimale Formulierungen. Legen Sie die Erwünschtheitsfunktion für jede Antwort fest, ob sie maximiert, minimiert oder mit einem Ziel abgeglichen werden soll. Dazu gehört auch, dass die Gewichtungen der relativen Wichtigkeit für jede Antwort festgelegt werden.Um den ersten Kandidaten zu generieren, legen Sie für alle primären Antworten die Wichtigkeitsgewichtung 1,0 und für alle sekundären Antworten die Wichtigkeitsgewichtung 0,2 fest. Weisen Sie den Profiler an, die optimalen Faktoreinstellungen zu finden, die die Erwünschtheitsfunktion maximieren. Wählen Sie "Optimierung Erwünschtheit" und dann "Erwünschtheit maximieren" aus.Notieren Sie die optimalen Faktoreinstellungen zusammen mit einem Hinweis auf die Wichtigkeitsgewichtungen, die für jede Antwort verwendet werden. Für kategoriale Faktoren, wie z. B. den ionisierbaren Lipidtyp, finden Sie die bedingt optimalen Formulierungen für jede Faktorstufe. Legen Sie zunächst die gewünschte Stufe jedes Faktors im Profiler fest.Halten Sie dann die Strg-Taste gedrückt und klicken Sie mit der linken Maustaste in das Diagramm dieses Faktors und wählen Sie Faktoreinstellung sperren. Diese ausgewählte Optimierung und Erwünschtheit maximiert die Erwünschtheit, um das bedingte Optimum zu finden, wobei dieser Faktor in seiner aktuellen Einstellung gesperrt ist. Wenn Sie fertig sind, entsperren Sie die Faktoreinstellungen, bevor Sie fortfahren.Wiederholen Sie den Optimierungsprozess, nachdem Sie die Wichtigkeitsgewichtungen der Antwortvariablen geändert haben, indem Sie möglicherweise nur die primären Antwortvariablen optimieren oder einige der sekundären Antwortvariablen so einstellen, dass sie mehr oder weniger wichtig sind, wodurch ihr Ziel auf keine festgelegt wird. Notieren Sie den neuen optimalen Kandidaten. Erstellen Sie grafische Zusammenfassungen der optimalen Bereiche des Faktorraums.Erstellen Sie eine Datentabelle, die 50.000 Zeilen enthält, die mit zufällig generierten Faktoreinstellungen innerhalb des zulässigen Faktorraums gefüllt werden, zusammen mit den entsprechenden vorhergesagten Werten aus den reduzierten Modellen für jede der Antwortvariablen sowie der gemeinsamen Erwünschtheitsfunktion. Wählen Sie Zufallstabelle ausgeben aus. Ändern Sie den Wert für die Anzahl der zu simulierenden Durchläufe in 50.000, und klicken Sie auf OK.Fügen Sie in der neu erstellten Tabelle eine neue Spalte hinzu, die das Perzentil der Erwünschtheitsspalte berechnet. Verwenden Sie diese Perzentilspalte in den ternären Diagrammen anstelle der unformatierten Erwünschtheitsspalte. Klicken Sie mit der rechten Maustaste auf die Spaltenüberschrift "Erwünschtheit", und wählen Sie "Neue Formelspalte", "Verteilung", "Kumulative Wahrscheinlichkeit" aus.Generieren Sie die folgenden Grafiken. Ändern Sie wiederholt das Farbschema der Grafiken, um die Vorhersagen für jede Antwortvariable und für die Spalte mit der kumulativen Wahrscheinlichkeit anzuzeigen. Konstruieren Sie ternäre Diagramme für die vier Lipidfaktoren.Navigieren Sie in der Tabelle zum ternären Diagramm des Diagramms. Wählen Sie die Mischungsfaktoren für die X-Darstellung aus, und klicken Sie auf OK. Klicken Sie mit der rechten Maustaste in eines der resultierenden Diagramme, wählen Sie Zeilenlegende aus, und wählen Sie dann die Spalte für die vorhergesagte Antwort aus.Ändern Sie das Dropdown-Menü "Farben" in "Jet". Dies zeigt die Regionen mit der besten und schlechtesten Leistung in Bezug auf die Lipidfaktoren. Die aktuelle Abbildung zeigt die Perzentile der Gelenkerwünschtheit, wenn man die Maximierung der Potenz mit einer wichtigen Folge von 1 und die Minimierung der Größe mit einer wichtigen Folge von 0,2 in Betracht zieht.Bei der Mittelung über alle Faktoren, die nicht auf der ternären Diagrammachse angezeigt werden. Ändern Sie wiederholt das Farbschema der Grafiken, um die Vorhersagen für jede Antwortvariable anzuzeigen. Zeichnen Sie in ähnlicher Weise die 50.000 farbcodierten Punkte, die eindeutige Formulierungen darstellen, gegen die nicht gemischten Prozessfaktoren entweder einzeln oder gemeinsam auf und suchen Sie nach Beziehungen zwischen den Antwortvariablen und den Faktoren.Suchen Sie nach den Faktoreinstellungen, die die Punktausbeute in der höchsten Erwünschtheit erzeugen. Diese Abbildung zeigt die gemeinsame Erwünschtheit aller Formulierungen, die mit jedem der drei ionisierten Lipidtypen gebildet werden konnten. Die begehrtesten Formulierungen verwenden H102, wobei H101 einige potenziell wettbewerbsfähige Alternativen bietet.Untersuchen Sie verschiedene Kombinationen von Faktoren, die zu unterschiedlichen Reaktionen führen können. Speichern Sie den Vorhersageprofiler und die gespeicherten Einstellungen wieder in der Datentabelle. Bereiten Sie eine Tabelle vor, in der die optimalen Kandidaten aufgeführt sind, die zuvor identifiziert wurden.Schließen Sie das Benchmark-Steuerelement in den Satz von Kandidatenläufen ein, die formuliert und gemessen werden. Wenn sich herausstellt, dass eine der Formulierungen aus dem Experiment die gewünschten Ergebnisse liefert, z. B. indem sie den Benchmark übertrifft, wählen Sie die besten aus, um sie der Kandidatentabelle hinzuzufügen, und testen Sie sie zusammen mit neuen Formulierungen erneut. Klicken Sie mit der rechten Maustaste auf die gespeicherte Einstellungstabelle im Profiler, und wählen Sie In Datentabelle umwandeln aus.Führen Sie die Bestätigungsläufe durch, konstruieren Sie die Rezepturen und sammeln Sie die Messwerte. Vergleichen Sie die Leistung der optimalen Rezepturen. Der Workflow wurde in vielen Anwendungen verwendet.In den meisten Fällen haben wir eine mindestens vier- bis fünffache Verbesserung der Wirksamkeit beobachtet, wenn wir sie mit Benchmark-Formulierungen vergleichen, die mit jeweils einem Faktor festgelegt wurden. Verbesserungen machen sich vor allem dann bemerkbar, wenn Sekundärreaktionen gemeinsam ausgerichtet werden. Es ist auch möglich, die Simulation zu verwenden, um die erwartete Qualität der optimalen Kandidaten zu zeigen, die durch dieses Verfahren erzeugt werden.Unter Verwendung einer bekannten Datengenerierungsfunktion für das in der Arbeit beschriebene Beispielexperiment können wir die Qualität der optimalen Rezepturen, die aus den raumfüllenden Designs und der SVEM-basierten Analyse in diesem Workflow erhalten werden, mit denen vergleichen, die aus den traditionellen Mischungsanalysetechniken erhalten werden. Mit der Qualität der optimalen Formulierung auf der vertikalen Achse und der Anzahl der Durchläufe im Design auf der horizontalen Achse stellen die blauen Punkte die Leistung des unreduzierten vollständigen statistischen Modells über 150 Simulationen dar. Die gelben Punkte stellen die Leistung der traditionellen Einzelschuss-Vorwärtsauswahl dar, die auf der AICC-Zielfunktion basiert.Die grünen Punkte stellen die Leistung des SVEM-basierten Vorwärtsauswahlansatzes dar, der in diesem Workflow verwendet wird. Die SVEM-Analyse ermöglicht es uns, bessere optimale Kandidaten und weniger Durchläufe zu erhalten. Es wird gelegentlich Studien mit zusätzlicher Komplexität geben, die die Hilfe eines Statistikers für Design und Analyse erfordern.Studien, die eine extrem hohe Priorität haben, bei denen die Durchlaufgröße begrenzter als üblich ist, oder bei denen es eine große Anzahl kategorialer Faktoren oder einen einzelnen kategorialen Faktor mit einer großen Anzahl von Stufen gibt, können von einem Statistiker anders angegangen werden. Verwenden Sie entweder optimale oder hybride Designs anstelle des im Workflow angegebenen raumfüllenden Designs.

a-workflow-for-lipid-nanoparticle-lnp-formulation-optimization-using

Research

Forschung

JoVE Journal

Chemistry

Chemie

Dieses Protokoll beschreibt ein Extrusionsverfahren zur Herstellung Lipidvesikel von Submikrometer-Abmessungen mit einem hohen Grad an Homogenität. Dieses Verfahren verwendet eine Druck-Steuerung mit gesteuerten Stickstoff Flussraten für Liposomenpräparation. Die...

Constant Pressure-gesteuerte Extrusionsverfahren zur Herstellung von Nano-Größe Lipidvesikeln

In dieser Studie wurde eine Methode zur Synthese ultrakleiner Populationen biokompatibler Nanopartikel beschrieben, sowie mehrere in vitro Methoden, mit denen ihre zellulären Wechselwirkungen bewertet werden können.

Feste Lipidnanopartikel (SLN) für die intrazelluläre Targeting-Anwendungen

Lipid-Nanopartikel werden mit einem mikrofluidischen Mischplattformansatz für die mRNA- und DNA-Verkapselung entwickelt.

Formulierung und Charakterisierung von Lipid-Nanopartikeln für die Genabgabe mit einer mikrofluidischen Mischplattform

Mikrofluidik-basierte Lipid-Nanopartikel (LNP) Produktionsmethoden haben Aufmerksamkeit in Drug-Delivery-Systemen (DDSs) erregt, einschließlich der RNA-Delivery. Dieses Protokoll beschreibt die Herstellung, die LNP-Produktion (siRNA-loaded LNP) und die LNP-Auswertungsprozesse unter Verwendung unseres ursprünglichen mikrofluidischen Geräts namens iLiNP.

Herstellung von siRNA-beladenen Lipid-Nanopartikeln mit einem mikrofluidischen Gerät

Hier wird ein Protokoll zur Formulierung von Lipid-Nanopartikeln (LNPs) vorgestellt, die mRNA verkapseln, die für Glühwürmchen-Luziferase kodiert. Diese LNPs wurden in vitro in HepG2-Zellen und in vivo in C57BL/6-Mäusen auf ihre Wirksamkeit getestet.

Prüfung der In-vitro- und In-vivo-Effizienz von mRNA-Lipid-Nanopartikeln, die durch mikrofluidisches Mischen formuliert wurden

Es wird ein detailliertes Protokoll für die Synthese von Lipid-Nanopartikeln (LNPs) unter Verwendung von Confined Impinging Jet (CIJ)-Mischertechnologien demonstriert, einschließlich eines zweistrahligen CIJ und eines vierstrahligen Multi-Inlet-Vortex-Mischers (μMIVM). Die CIJ-Mischer erzeugen reproduzierbare, turbulente Mikromischumgebungen, die zur Produktion von monodispersen LNPs führen.

Synthese von Lipid-Nanopartikeln durch turbulente Strömung in geschlossenen Aufprallstrahlmischern

Isolierung und Charakterisierung der Lipid-A-Domäne von Lipopolysaccharid (LPS) von gramnegativen Bakterien gibt Einblick in Zelloberfläche basierend Mechanismen der Antibiotikaresistenz, bakterielle Überlebensrate und Fitness, und wie chemisch unterschiedlicher Lipid einer molekularen Spezies unterschiedlich modulieren Host angeborenen Immunantwort.

Isolierung und chemische Charakterisierung von Lipid A von gramnegativen Bakterien

Die Miller-Urey-Experiment war eine bahnbrechende Studie über die abiotischen Synthese von organischen Verbindungen mit möglicher Relevanz für die Entstehung des Lebens. Einfache Gase wurden in einer Glasapparatur eingeführt und mit einer elektrischen Entladung ausgesetzt ist, simulieren die Wirkung von Blitz im Atmosphäre-Ozean-System des Ur-Erde. Das Experiment wurde für eine Woche durchgeführt, wonach die entnommene Proben wurden für die chemischen Bausteine ​​des Lebens analysiert.

Miller-Urey Durchführung von Experimenten

Synthetische Proteinsequenzen, die auf Konsensusmotiven basieren, ignorieren typischerweise co-evolving residues, was auf Interpositional Dependencies (IPDs) hindeutet.  IPDs können für die Aktivität unerlässlich sein, und Designs, die sie missachten, können zu suboptimalen Ergebnissen führen.  Dieses Protokoll verwendet StickWRLD, um IPDs zu identifizieren und ein rationales Proteindesign zu unterstützen, was zu effizienteren Ergebnissen führt.

Optimierung der synthetische Proteine: Bezeichnung interpositional Abhängigkeiten Anzeige- strukturell und / oder funktionell verknüpft Rückstände

Hier präsentieren wir ein Protokoll für den Betrieb und die Optimierung der Active Flow Technology (AFT)-Säule im Curtain Flow (CF)-Modus für eine verbesserte Trennleistung.

Vorhang-Flow-Säule: Optimierung der Effizienz und Empfindlichkeit

Lernen Sie einen optimierten Workflow zur Formulierung von Lipid-Nanopartikeln mit SVEM-Modellen und informativen Grafiken. Diese Methode minimiert statistische Fehler und erleichtert die Interpretation komplexer Versuchsergebnisse erheblich.

Ein Workflow zur Optimierung der Formulierung von Lipid-Nanopartikeln (LNP) unter Verwendung von Experimenten mit designten Mischungsprozessen und selbstvalidierten Ensemblemodellen (SVEM) (Video) | JoVE Journal

Ein Workflow zur Optimierung der Formulierung von Lipid-Nanopartikeln (LNP) unter Verwendung von Experimenten mit designten Mischungsprozessen und selbstvalidierten Ensemblemodellen (SVEM)

Weitere Videos entdecken