Name: Un flusso di lavoro per lottimizzazione della formulazione di nanoparticelle lipidiche (LNP) utilizzando esperimenti di processo di miscela progettati e modelli di ensemble autoconvalidati (SVEM) (Video) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: Scopri un flusso di lavoro computazionale per ottimizzare le formulazioni di nanoparticelle lipidiche utilizzando esperimenti di miscela progettati e modelli SVEM. Questo metodo semplifica l'analisi statistica e migliora l'affidabilità dei risultati.

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

Siamo grati all'editore e ai referee anonimi per i suggerimenti che hanno migliorato l'articolo.

<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>

La strategia di progettazione sperimentale alla base di questo flusso di lavoro è stata impiegata in due domande di brevetto in cui uno degli autori è un inventore. Inoltre, Adsurgo, LLC è un partner JMP certificato. Tuttavia, lo sviluppo e la pubblicazione di questo documento sono stati intrapresi senza alcuna forma di incentivo finanziario, incoraggiamento o altri incentivi da parte di JMP.

Il moderno software per la progettazione e l'analisi di esperimenti di processo di miscela consente agli scienziati di migliorare le loro formulazioni di nanoparticelle lipidiche in un flusso di lavoro strutturato che evita una sperimentazione OFAT inefficiente. L'approccio di modellazione SVEM recentemente sviluppato elimina molte delle modifiche di regressione arcana e delle strategie di riduzione del modello che potrebbero aver precedentemente distratto gli scienziati con considerazioni statistiche estranee. Una volta...

Le formulazioni di nanoparticelle lipidiche (LNP) per sistemi di rilascio genico in vivo coinvolgono generalmente quattro lipidi costituenti delle categorie di lipidi ionizzabili, helper e PEG 1,2,3. Sia che questi lipidi vengano studiati da soli o contemporaneamente ad altri fattori non miscelati, gli esperimenti per queste formulazioni richiedono disegni di "miscela" perché - data una formulazione candidata - aumentare o diminuire il rapporto di uno qualsiasi dei lipidi porta necessariamente ad una corrispondente diminuzione o aumento della somma dei rapporti degli altri tre lipidi.
Per esempio, si suppone che stiamo ottimizzando una formulazione LNP che attualmente utilizza una ricetta impostata che verrà trattata come punto di riferimento. L'obiettivo è massimizzare la potenza del LNP mentre secondariamente mira a ridurre al minimo la dimensione media delle particelle. I fattori di studio che variano nell'esperimento sono i rapporti molari dei quattro lipidi costituenti (ionizzabili, colesterolo, DOPE, PEG), il rapporto N/P, la portata e il tipo di lipide ionizzabile. I lipidi ionizzabili e helper (compreso il colesterolo) possono variare su un intervallo più ampio di rapporto molare, 10-60%, rispetto al PEG, che sarà variato dall'1-5% in questa illustrazione. La ricetta di formulazione di riferimento e gli intervalli degli altri fattori e la loro granularità di arrotondamento sono specificati nella scheda supplementare 1. Per questo esempio, gli scienziati sono in grado di eseguire 23 esecuzioni (lotti unici di particelle) in un solo giorno e vorrebbero usarlo come dimensione del campione se soddisfa i requisiti minimi. I risultati simulati per questo esperimento sono disponibili nel file supplementare 2 e nel file supplementare 3.
Rampado e Peer4 hanno pubblicato un recente documento di revisione sul tema degli esperimenti progettati per l'ottimizzazione dei sistemi di somministrazione di farmaci basati su nanoparticelle. Kauffman et al.5 hanno considerato studi di ottimizzazione LNP utilizzando disegni di screening fattoriale frazionario e definitivo6; Tuttavia, questi tipi di disegni e modelli non possono soddisfare un vincolo di miscela senza ricorrere all'uso di "variabili di allentamento" inefficienti7 e non sono tipicamente utilizzati quando sono presenti fattori di miscela 7,8. Invece, i "progetti ottimali" in grado di incorporare un vincolo di miscela sono tradizionalmente utilizzati per esperimenti di processo di miscela9. Questi disegni mirano a una funzione specificata dall'utente dei fattori di studio e sono ottimali (in uno dei numerosi sensi possibili) solo se questa funzione cattura la vera relazione tra i fattori di studio e le risposte. Si noti che vi è una distinzione nel testo tra "progetti ottimali" e "candidati formulativi ottimali", con quest'ultimo che si riferisce alle migliori formulazioni identificate da un modello statistico. I progetti ottimali presentano tre svantaggi principali per gli esperimenti di processo di miscela. In primo luogo, se lo scienziato non riesce ad anticipare un'interazione dei fattori di studio quando specifica il modello target, allora il modello risultante sarà distorto e può produrre formulazioni candidate inferiori. In secondo luogo, i progetti ottimali posizionano la maggior parte delle corse sul confine esterno dello spazio fattoriale. Negli studi LNP, questo può portare a un gran numero di corse perse se le particelle non si formano correttamente a qualsiasi estremo delle impostazioni lipidiche o di processo. In terzo luogo, gli scienziati spesso preferiscono avere corse sperimentali all'interno dello spazio fattoriale per ottenere un senso indipendente dal modello della superficie di risposta e per osservare il processo direttamente in regioni precedentemente inesplorate dello spazio fattoriale.
Un principio di progettazione alternativo consiste nell'mirare a una copertura uniforme approssimativa dello spazio dei fattori (vincolato dalla miscela) con un design che riempie lo spazio10. Questi progetti sacrificano una certa efficienza sperimentale rispetto ai progetti ottimali9 (supponendo che l'intero spazio fattoriale porti a formulazioni valide) ma presentano diversi vantaggi in un compromesso che sono utili in questa applicazione. Il design di riempimento dello spazio non fa alcuna ipotesi a priori sulla struttura della superficie di risposta; Ciò gli conferisce la flessibilità di catturare relazioni impreviste tra i fattori di studio. Ciò semplifica anche la generazione del progetto perché non richiede di prendere decisioni su quali termini di regressione aggiungere o rimuovere quando viene regolata la dimensione di esecuzione desiderata. Quando alcuni punti di progettazione (ricette) portano a formulazioni fallite, i progetti di riempimento dello spazio consentono di modellare il limite del fallimento sui fattori di studio, supportando anche modelli statistici per le risposte allo studio rispetto alle combinazioni di fattori di successo. Infine, la copertura interna dello spazio fattoriale consente un'esplorazione grafica indipendente dal modello della superficie di risposta.
Per visualizzare il sottospazio del fattore di miscela di un esperimento di processo di miscelazione, vengono utilizzati "grafici ternari" triangolari specializzati. La figura 1 motiva questo utilizzo: nel cubo di punti in cui tre ingredienti possono essere compresi tra 0 e 1, i punti che soddisfano un vincolo secondo cui la somma degli ingredienti è uguale a 1 sono evidenziati in rosso. Il vincolo della miscela sui tre ingredienti riduce lo spazio dei fattori fattibili a un triangolo. Nelle applicazioni LNP con quattro ingredienti di miscela, produciamo sei diversi grafici ternari per rappresentare lo spazio fattoriale tracciando due lipidi alla volta contro un asse "Altri" che rappresenta la somma degli altri lipidi.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> Figura 1: Regioni a fattore triangolare. Nel grafico di riempimento dello spazio all'interno del cubo, i piccoli punti grigi rappresentano formulazioni incoerenti con il vincolo della miscela. I punti rossi più grandi giacciono su un triangolo inscritto all'interno del cubo e rappresentano formulazioni per le quali il vincolo della miscela è soddisfatto. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">Fare clic qui per visualizzare una versione ingrandita di questa figura.</a>
Oltre ai fattori di miscela lipidica, ci sono spesso uno o più fattori di processo continui come il rapporto N: P, la concentrazione del tampone o la portata. Possono essere presenti fattori categoriali, come il tipo di lipide ionizzabile, il tipo di lipidi helper o il tipo di tampone. L'obiettivo è trovare una formulazione (una miscela di lipidi e impostazioni per i fattori di processo) che massimizzi una certa misura di potenza e / o migliori le caratteristiche fisico-chimiche come minimizzare la dimensione delle particelle e il PDI (indice di polidispersione), massimizzare l'incapsulamento percentuale e minimizzare gli effetti collaterali - come la perdita di peso corporeo - negli studi in vivo . Anche quando si parte da una ricetta di riferimento ragionevole, potrebbe esserci interesse a ri-ottimizzare dato un cambiamento nel carico utile genetico o quando si considerano cambiamenti nei fattori di processo o nei tipi lipidici.
Cornell7 fornisce un testo definitivo sugli aspetti statistici degli esperimenti di miscela e processo di miscelazione, con Myers et al.9 che fornisce un eccellente riassunto degli argomenti di progettazione e analisi delle miscele più rilevanti per l'ottimizzazione. Tuttavia, questi lavori possono sovraccaricare gli scienziati con dettagli statistici e con terminologia specializzata. Il software moderno per la progettazione e l'analisi degli esperimenti fornisce una soluzione robusta che supporterà sufficientemente la maggior parte dei problemi di ottimizzazione LNP senza dover ricorrere alla teoria pertinente. Mentre gli studi più complicati o ad alta priorità trarranno comunque beneficio dalla collaborazione con uno statistico e potrebbero impiegare progetti ottimali piuttosto che ingombranti, il nostro obiettivo è migliorare il livello di comfort degli scienziati e incoraggiare l'ottimizzazione delle formulazioni LNP senza fare appello a test inefficienti a un fattore alla volta (OFAT)11 o semplicemente accontentarsi della prima formulazione che soddisfa le specifiche.
In questo articolo viene presentato un flusso di lavoro che utilizza software statistico per ottimizzare un problema di formulazione LNP generico, affrontando i problemi di progettazione e analisi nell'ordine in cui verranno riscontrati. In effetti, il metodo funzionerà per problemi di ottimizzazione generali e non è limitato agli LNP. Lungo il percorso, vengono affrontate diverse domande comuni che sorgono e vengono fornite raccomandazioni basate sull'esperienza e sui risultati della simulazione12. Il framework recentemente sviluppato di modelli di ensemble autoconvalidati (SVEM)13 ha notevolmente migliorato l'approccio altrimenti fragile all'analisi dei risultati degli esperimenti sui processi di miscelazione e utilizziamo questo approccio per fornire una strategia semplificata per l'ottimizzazione della formulazione. Mentre il flusso di lavoro è costruito in modo generale che potrebbe essere seguito utilizzando altri pacchetti software, JMP 17 Pro è unico nell'offrire SVEM insieme agli strumenti di riepilogo grafico che abbiamo trovato necessari per semplificare l'analisi altrimenti arcana degli esperimenti di processo di miscela. Di conseguenza, nel protocollo vengono fornite anche istruzioni specifiche per JMP.
SVEM utilizza la stessa base del modello di regressione lineare dell'approccio tradizionale, ma ci consente di evitare noiose modifiche necessarie per adattarsi a un "modello completo" di effetti candidati utilizzando un approccio di base di selezione in avanti o di selezione penalizzata (Lazo). Inoltre, SVEM fornisce un "modello ridotto" migliorato che riduce al minimo il potenziale di incorporare il rumore (processo più varianza analitica) che appare nei dati. Funziona calcolando la media dei modelli previsti risultanti dalla riponderazione ripetuta dell'importanza relativa di ciascuna esecuzione nel modello 13,14,15,16,17,18. SVEM fornisce un framework per la modellazione di esperimenti di processo di miscela che è sia più facile da implementare rispetto alla tradizionale regressione a colpo singolo e produce candidati di formulazione ottimale di migliore qualità12,13. I dettagli matematici di SVEM vanno oltre lo scopo di questo documento e anche un sommario sommario oltre la revisione della letteratura pertinente distrarrebbe dal suo principale vantaggio in questa applicazione: consente una procedura click-to-run semplice, robusta e accurata per i professionisti.
Il flusso di lavoro presentato è coerente con l'approccio Quality by Design (QbD)19 allo sviluppo farmaceutico20. Il risultato dello studio sarà la comprensione della relazione funzionale che collega gli attributi dei materiali e i parametri di processo agli attributi critici di qualità (CQA)21. Daniel et al.22 discutono l'utilizzo di un framework QbD specifico per la produzione di piattaforme RNA: il nostro flusso di lavoro potrebbe essere utilizzato come strumento all'interno di questo framework.

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

un flusso di lavoro per l'ottimizzazione della formulazione di nanoparticelle lipidiche (lnp) utilizzando esperimenti di processo di miscela progettati e modelli di ensemble autoconvalidati (svem)

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

Presentiamo un approccio in stile Quality by Design (QbD) per l'ottimizzazione delle formulazioni di nanoparticelle lipidiche (LNP), con l'obiettivo di offrire agli scienziati un flusso di lavoro accessibile. La restrizione intrinseca in questi studi, in cui i rapporti molari dei lipidi ionizzabili, helper e PEG devono sommarsi fino al 100%, richiede metodi di progettazione e analisi specializzati per soddisfare questo vincolo di miscela. Concentrandoci sui fattori lipidici e di processo comunemente utilizzati nell'ottimizzazione della progettazione LNP, forniamo passaggi che evitano molte delle difficoltà che tradizionalmente sorgono nella progettazione e nell'analisi di esperimenti di processo di miscelazione impiegando progetti di riempimento dello spazio e utilizzando il quadro statistico recentemente sviluppato di modelli di ensemble autoconvalidati (SVEM). Oltre a produrre formulazioni ottimali candidate, il flusso di lavoro crea anche riepiloghi grafici dei modelli statistici adattati che semplificano l'interpretazione dei risultati. Le formulazioni candidate appena identificate vengono valutate con cicli di conferma e facoltativamente possono essere condotte nel contesto di uno studio di seconda fase più completo.

Questo approccio è stato convalidato in entrambi i tipi lipidici ampiamente classificati: lipidi classici simili a MC3 e lipidoidi (ad esempio, C12-200), generalmente derivati dalla chimica combinatoria. Rispetto a una formulazione LNP di riferimento sviluppata utilizzando un metodo One Factor at a Time (OFAT), le formulazioni candidate generate attraverso il nostro flusso di lavoro dimostrano spesso miglioramenti di potenza da 4 a 5 volte su scala logaritmica, come mostrato nelle letture della luciferasi epatica di topo...

Questo protocollo fornisce un approccio all'ottimizzazione della formulazione rispetto a fattori di studio di miscela, continui e categoriali che riduce al minimo le scelte soggettive nella costruzione del progetto sperimentale. Per la fase di analisi, viene impiegata una procedura di adattamento di modellazione efficace e facile da usare.

Un flusso di lavoro per l'ottimizzazione della formulazione di nanoparticelle lipidiche (LNP) utilizzando esperimenti di processo di miscela progettati e modelli di ensemble autoconvalidati (SVEM)

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

Questo articolo fornisce agli scienziati un flusso di lavoro per costruire una tabella di progettazione sperimentale e analizzare i risultati sperimentali su una varietà di fattori di miscela e processo, senza richiedere decisioni statistiche noiose e potenzialmente volatili. I modelli risultanti possono essere ottimizzati congiuntamente su più risposte e utilizzati per produrre grafici informativi per riassumere sia la superficie di risposta congiunta che le previsioni delle singole risposte. Questi grafici sono più facili da interpretare rispetto alle stime dei parametri dei modelli statistici sottostanti e sono utili per rappresentare le impostazioni fattoriali che producono le risposte più desiderabili.Gli scienziati della formulazione di lipidi e nanoparticelle hanno spesso bisogno di costruire nuove ricette per diversi carichi utili o quando si modificano i lipidi o le impostazioni di processo. Forniamo un approccio solido all'ottimizzazione della formulazione che riduce al minimo il potenziale di errore nella costruzione del progetto ed evita la necessità di ampie statistiche e conoscenze durante l'analisi. Riassumere lo scopo dell'esperimento in un documento contrassegnato dalla data.Elenca le risposte che verranno misurate durante l'esperimento. Seleziona i fattori che saranno variati e quelli che saranno mantenuti costanti durante lo studio. Stabilire gli intervalli per i fattori variabili e la precisione decimale pertinente per ciascuno.Decidere la dimensione del progetto di studio utilizzando l'euristica minima e massima. Apri il salto e naviga nella barra dei menu fino a DOI, Special Purpose, Space Filling Design. Inserisci le risposte allo studio.Inserisci i fattori di studio e gli intervalli. Immettere il numero predeterminato di esecuzioni per il progetto. Generare la tabella di progettazione di riempimento dello spazio per i fattori scelti e le dimensioni dell'esecuzione.Aggiungere una colonna di note alla tabella per annotare eventuali esecuzioni create manualmente. Se applicabile, incorporare manualmente le esecuzioni di controllo del benchmark nella tabella di progettazione. Includi una replica per uno dei benchmark controllati.Contrassegnare il nome del benchmark nella colonna delle note e codificare a colori le righe di replica del benchmark per una facile identificazione corretta. Arrotondare la miscela dei livelli dei fattori alla granularità appropriata. Copiare i valori arrotondati e incollarli nelle colonne originali.Eliminare le copie ridondanti delle colonne arrotondate. Dopo aver arrotondato i fattori lipidici, verificare che la loro somma sia uguale al 100% Se la somma delle righe non è uguale a una, regolare manualmente uno dei fattori di miscela, assicurandosi che rimanga all'interno dell'intervallo di fattori. Eliminare la colonna di somma dopo aver apportato le modifiche.Seguire la stessa procedura utilizzata per arrotondare i fattori di miscela per arrotondare i fattori di processo alla rispettiva granularità. Formattare le colonne lipidiche in modo che vengano visualizzate come percentuali con un numero desiderato di decimali. Se sono state aggiunte esecuzioni manuali, ad esempio benchmark, modificare la casualità dell'ordine delle righe della tabella e aggiungere una nuova colonna con valori arrotondati.Ordinare la colonna in ordine crescente facendo clic con il pulsante destro del mouse sull'intestazione della colonna e quindi eliminare la colonna. Genera grafici ternari per visualizzare i punti di progettazione sui fattori lipidici. Esaminare inoltre la distribuzione dell'esecuzione sui fattori di processo.Gli scienziati della formulazione dovrebbero confermare la fattibilità di tutte le esecuzioni. Se esistono esecuzioni non fattibili, riavviare la progettazione tenendo conto dei vincoli appena individuati. Eseguire l'esperimento nell'ordine fornito dalla tabella dati.Registrare le letture nella colonna incorporata nella tabella sperimentale. Traccia le letture ed esamina le distribuzioni delle risposte. Esaminare la distanza relativa tra le esecuzioni di replica codificate a colori se ne è stata inclusa una, ciò consente la comprensione del processo totale e della variazione analitica al benchmark, rispetto alla variabilità dovuta ai cambiamenti nelle impostazioni dei fattori nell'intero spazio fattoriale.Crea le piste su un appezzamento ternario. Colorare i punti in base alle risposte per ottenere una visione indipendente dal modello del comportamento rispetto ai fattori di miscela. Fare clic con il pulsante destro del mouse su uno dei grafici risultanti, selezionare Legenda riga e quindi selezionare la colonna di risposta.Ripeti questa operazione per ogni risposta. Costruire un modello indipendente per ogni risposta in funzione dei fattori di studio. Eliminare gli script del modello creati dalla progettazione di riempimento dello spazio.Selezionare Analizza, Adatta modello (Fit Model). Costruisci un modello completo che comprenda tutti gli effetti candidati. Questo modello dovrebbe includere gli effetti principali di ciascun fattore, interazioni a due e tre vie, termini cubici quadratici e parziali nei fattori di processo e termini cubici di Scheffe per i fattori di miscela.Seleziona tutti i fattori di studio. Modificare la voce per grado a tre dal valore predefinito di due. Quindi selezionare un fattoriale a Grado.Selezionare solo i fattori non di miscela, quindi selezionare Macro, Cubo parziale. Selezionare solo i fattori di miscela, quindi selezionare Macro, Scheffe Cubic. Disattivare l'opzione predefinita di non intercettare.Specificare la colonna di risposta, cambiare la personalità in regressione generalizzata. Salvare questo modello impostato nella tabella dati per un facile richiamo. Selezionare Salva nella tabella dati.Fare clic su Esegui. Per il metodo di stima, selezionare SVEM Forward Selection. Espandi i menu Termini forza controlli avanzati e deseleziona le caselle corrispondenti agli effetti principali della miscela.Solo il termine Intercept rimarrà controllato. Fare clic su Vai.Tracciare le risposte effettive in base alle risposte previste dal modello SVEM per verificare una ragionevole prevedibilità. Fare clic sul triangolo rosso accanto a Selezione diretta SVEM e selezionare Salva colonne, Salva formula di stima.Verrà creata una nuova colonna contenente la formula di stima nella tabella dati Ripetere i passaggi di creazione del modello per ogni risposta. Dopo che tutte le risposte hanno salvato le colonne di stima nella tabella dati, tracciare le tracce di risposta per tutte le colonne di risposta previste utilizzando una funzione profiler. Selezionare Graph Profiler e selezionare tutte le colonne di stima create nel passaggio precedente per la formula di stima Y, fare clic su OK.Identificare le formulazioni ottimali dei candidati. Impostare la funzione di desiderabilità per ogni risposta se deve essere massimizzata, ridotta a icona o abbinata a un obiettivo. Ciò comporta anche l'impostazione dei pesi di importanza relativa per ciascuna risposta.Per generare il primo candidato, impostare le risposte primarie per utilizzare il peso di importanza 1.0 e le risposte secondarie per utilizzare il peso di importanza 0.2. Indicare al profiler di trovare le impostazioni dei fattori ottimali che massimizzano la funzione di desiderabilità. Selezionare Desiderabilità ottimizzazione, Massimizza desiderabilità.Registrare le impostazioni ottimali dei fattori insieme a una nota sulle ponderazioni di importanza utilizzate per ogni risposta. Per fattori categoriali come il tipo lipidico ionizzabile, trovare le formulazioni condizionatamente ottimali per ciascun livello di fattori. Innanzitutto, impostare il livello desiderato di ciascun fattore nel profiler.Quindi tenere premuto il tasto Ctrl e fare clic con il pulsante sinistro del mouse all'interno del grafico di quel fattore e selezionare Blocca impostazione fattore. Questa selezione di ottimizzazione e desiderabilità, massimizza la desiderabilità di trovare l'optimum condizionale con questo fattore bloccato nella sua impostazione corrente. Al termine, sbloccare le impostazioni del fattore prima di procedere.Ripeti il processo di ottimizzazione dopo aver modificato i pesi di importanza della risposta, magari ottimizzando solo le risposte primarie o impostando alcune delle risposte secondarie per avere un peso più o meno importante, impostando il loro obiettivo su nessuno. Registrare il nuovo candidato ottimale. Produrre riepiloghi grafici delle regioni ottimali dello spazio fattoriale.Creare una tabella di dati contenente 50.000 righe popolate con impostazioni fattoriali generate casualmente all'interno dello spazio fattoriale consentito, insieme ai corrispondenti valori previsti dai modelli ridotti per ciascuna delle risposte, nonché alla funzione di desiderabilità congiunta. Selezionare Output Random Table. Modificare il valore di quante esecuzioni simulare in 50.000 e fare clic su OK.Nella tabella appena creata aggiungere una nuova colonna che calcola il percentile della colonna di desiderabilità. Utilizzare questa colonna percentile nei grafici ternari anziché la colonna di desiderabilità non elaborata. Fare clic con il pulsante destro del mouse sull'intestazione della colonna Desiderabilità e selezionare Nuova colonna formula, Distribuzione, Probabilità cumulativa.Generare i seguenti elementi grafici. Modificare ripetutamente la combinazione di colori della grafica per visualizzare le stime per ogni risposta e per la colonna delle probabilità cumulative. Costruire grafici ternari per i quattro fattori lipidici.Nella tabella passare al grafico ternario grafico. Selezionate i fattori di combinazione per il plottaggio X e fate clic su OK (Okay). Fare clic con il pulsante destro del mouse in uno dei grafici risultanti, selezionare Legenda riga e quindi selezionare la colonna di risposta prevista.Modificare il menu a discesa dei colori in Jet. Questo mostrerà le regioni migliori e peggiori rispetto ai fattori lipidici. La figura attuale mostra i percentili della desiderabilità congiunta quando si considera la massimizzazione della potenza con un sequel importante a 1 e la minimizzazione delle dimensioni con un sequel importante a 0,2.Durante la media su tutti i fattori che non sono mostrati sull'asse ternario del plottaggio. Modificare ripetutamente la combinazione di colori della grafica per visualizzare le previsioni per ogni risposta. Allo stesso modo, tracciare i 50.000 punti codificati a colori che rappresentano formulazioni uniche rispetto ai fattori di processo non miscelati singolarmente o congiuntamente e cercare relazioni tra le risposte e i fattori.Cerca le impostazioni dei fattori che producono il rendimento dei punti nella massima desiderabilità. Questa figura mostra la desiderabilità congiunta di tutte le formulazioni che potrebbero essere formate con ciascuno dei tre tipi di lipidi ionizzati. Le formulazioni più desiderabili utilizzano H102, con H101 che fornisce alcune alternative potenzialmente competitive.Esplora diverse combinazioni di fattori che potrebbero portare a risposte diverse. Salvare il profiler di previsione e le relative impostazioni memorizzate nella tabella dati. Preparare una tabella che elenca i candidati ottimali identificati in precedenza.Includi il controllo del benchmark con il set di esecuzioni candidate che verranno formulate e misurate. Se una qualsiasi delle formulazioni dell'esperimento è risultata produrre risultati desiderabili, magari sovraperformando il benchmark, selezionare il meglio da aggiungere alla tabella dei candidati e ripetere il test insieme alle nuove formulazioni. Fare clic con il pulsante destro del mouse sulla tabella delle impostazioni memorizzate nel profiler e selezionare Crea in tabella dati.Esegui le prove di conferma, costruisci le formulazioni e raccogli le letture. Confronta le prestazioni delle formulazioni ottimali del candidato. Il flusso di lavoro è stato utilizzato in molte applicazioni.Nella maggior parte dei casi, abbiamo osservato un miglioramento della potenza da quattro a cinque volte quando ci confrontiamo con le formulazioni di riferimento che sono state impostate utilizzando un fattore alla volta di ottimizzazione. I miglioramenti sono particolarmente evidenti quando le risposte secondarie sono mirate congiuntamente. È anche possibile utilizzare la simulazione per mostrare la qualità attesa dei candidati ottimali prodotti da questa procedura.Utilizzando una funzione di generazione dati nota per l'esperimento di esempio descritto nel documento, possiamo confrontare la qualità delle formulazioni ottimali candidate ottenute dai progetti di riempimento dello spazio e dall'analisi basata su SVEM utilizzate in questo flusso di lavoro con quelle ottenute dalle tradizionali tecniche di analisi delle miscele. Con la qualità della formulazione ottimale mostrata sull'asse verticale e il numero di esecuzioni nel progetto mostrato sull'asse orizzontale, i punti blu rappresentano le prestazioni del modello statistico completo non ridotto su 150 simulazioni. I punti ambra rappresentano le prestazioni della tradizionale selezione in avanti a colpo singolo basata sulla funzione obiettivo AICC.I punti verdi rappresentano le prestazioni dell'approccio di selezione diretta basato su SVEM utilizzato in questo flusso di lavoro. L'analisi SVEM ci consente di ottenere candidati ottimali migliori e meno tirature. Ci saranno studi occasionali con complessità aggiuntiva che richiedono l'aiuto di uno statistico per la progettazione e l'analisi.Gli studi che hanno una priorità estremamente elevata, in cui la dimensione della tiratura è più limitata del solito, o ci sono un gran numero di fattori categoriali, o un singolo fattore categoriale con un gran numero di livelli possono essere affrontati in modo diverso da uno statistico. Utilizzando progetti ottimali o ibridi al posto del design di riempimento dello spazio specificato nel flusso di lavoro.

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

Research

Ricerca

JoVE Journal

Chemistry

Chimica

Questo protocollo descrive un metodo di estrusione per la preparazione di vescicole lipidiche di sub-micron dimensioni con un alto grado di omogeneità. Questo metodo utilizza un sistema a pressione controllata con velocità controllate flusso di azoto per la preparazione di liposomi. La preparazione...

Costante pressione controllata metodo di estrusione per la preparazione del Nano di dimensioni vescicole lipidiche

In questo studio, è stato descritto un metodo per sintetizzare popolazioni ultra-piccole di nanoparticelle biocompatibili, nonché diversi metodi in vitro con cui valutare le loro interazioni cellulari.

Solid Lipid nanoparticelle (linfonodi sentinella) Applicazioni per intracellulare targeting

Le nanoparticelle lipidiche sono sviluppate utilizzando un approccio di piattaforma di miscelazione microfluidica per l'incapsulamento di mRNA e DNA.

Formulazione e caratterizzazione di nanoparticelle lipidiche per la somministrazione genica utilizzando una piattaforma di miscelazione microfluidica

I metodi di produzione di nanoparticelle lipidiche (LNP) a base microfluidica hanno attirato l'attenzione nei sistemi di somministrazione dei farmaci (DDS), compresa la somministrazione di RNA. Questo protocollo descrive la fabbricazione, la produzione di LNP (LNP caricato con siRNA) e i processi di valutazione LNP utilizzando il nostro dispositivo microfluidico originale denominato iLiNP.

Produzione di nanoparticelle lipidiche caricate con siRNA utilizzando un dispositivo microfluidico

Qui viene presentato un protocollo per la formulazione di nanoparticelle lipidiche (LNP) che incapsulano l'mRNA che codifica per la luciferasi delle lucciole. Questi LNP sono stati testati per la loro potenza in vitro in cellule HepG2 e in vivo in topi C57BL/6.

Test dell'efficienza in vitro e in vivo di nanoparticelle mRNA-lipidi formulate mediante miscelazione microfluidica

Viene dimostrato un protocollo dettagliato per la sintesi di nanoparticelle lipidiche (LNP) utilizzando tecnologie di miscelazione a getto a impatto confinato (CIJ), tra cui un CIJ a due getti e un miscelatore a vortice multi-ingresso a quattro getti (μMIVM). I miscelatori CIJ generano ambienti di micromiscelazione riproducibili e turbolenti, con conseguente produzione di LNP monodispersi.

Sintesi di nanoparticelle lipidiche mediante flusso turbolento in miscelatori a getto a impatto confinato

Isolamento e caratterizzazione del lipide Un dominio di lipopolisaccaride (LPS) da batteri gram-negativi fornisce comprensione dei meccanismi cellulari di superficie a base di antibiotico-resistenza, la sopravvivenza dei batteri e fitness, e come chimicamente lipidi varia Una specie molecolari differenziale modulano la risposta immunitaria innata.

Isolamento e Caratterizzazione chimica del lipide A da batteri Gram-negativi

L'esperimento di Miller-Urey è stato uno studio pionieristico per quanto riguarda la sintesi abiotica di composti organici con possibile rilevanza alle origini della vita. Gas semplici sono stati introdotti in un apparecchio di vetro e sottoposti ad una scarica elettrica, simulando gli effetti del fulmine nel sistema atmosfera-oceano primordiale della Terra. L'esperimento è stato condotto per una settimana, dopo di che, i campioni raccolti da esso sono stati analizzati per i mattoni chimica...

Condurre esperimenti Miller-Urey

Le sequenze proteiche sintetiche basate su motivi di consenso tipicamente ignorano i residui co-evolutivi, che implicano dipendenze interposizionali (IPD).  Gli IPD possono essere essenziali per l'attività e i progetti che li ignorano possono portare a risultati non ottimali.  Questo protocollo utilizza StickWRLD per identificare gli IPD e aiutare a informare la progettazione razionale delle proteine, ottenendo risultati più efficienti.

Ottimizzazione di proteine ​​sintetiche: identificazione di interposizione Dipendenze Indicazione Strutturalmente e / o residui funzionalmente collegate

Qui, presentiamo un protocollo per il funzionamento e l'ottimizzazione della colonna AFT (Active Flow Technology) in modalità Curtain flow (CF) per migliorare le prestazioni di separazione.

Tenda Colonna flusso: ottimizzazione dell&#39;efficienza e della sensibilità

Scopri un flusso di lavoro computazionale per ottimizzare le formulazioni di nanoparticelle lipidiche utilizzando esperimenti di miscela progettati e modelli SVEM. Questo metodo semplifica l'analisi statistica e migliora l'affidabilità dei risultati.

Un flusso di lavoro per lottimizzazione della formulazione di nanoparticelle lipidiche (LNP) utilizzando esperimenti di processo di miscela progettati e modelli di ensemble autoconvalidati (SVEM) (Video) | JoVE Journal

Un flusso di lavoro per l'ottimizzazione della formulazione di nanoparticelle lipidiche (LNP) utilizzando esperimenti di processo di miscela progettati e modelli di ensemble autoconvalidati (SVEM)

Esplora altri video