Name: 設計された混合プロセス実験と自己検証アンサンブルモデル(SVEM)を使用した脂質ナノ粒子(LNP)製剤最適化のワークフロー (動画) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: 学ぶLNP製剤最適化のワークフロー。設計された混合プロセス実験とSVEMを用いて、複数の応答を同時に最適化し、視覚的なグラフィックスで結果を解釈する方法を紹介します。統計的専門知識を必要とせず、製剤開発の信頼性を向上させます。

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

記事を改善する提案をしてくれた編集者と匿名の査読者に感謝します。

<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>

このワークフローを支える実験計画戦略は、著者の1人が発明者である2つの特許出願で採用されています。 さらに、Adsurgo, LLCはJMP認定パートナーです。しかし、この論文の開発と出版は、JMPからの金銭的インセンティブ、奨励、またはその他の誘因なしに行われました。

混合プロセス実験の設計と分析のための最新のソフトウェアにより、科学者は非効率的なOFAT実験を回避する構造化されたワークフローで脂質ナノ粒子製剤を改善できます。最近開発されたSVEMモデリングアプローチは、以前は無関係な統計的考察で科学者の注意をそらしていた可能性のある難解な回帰変更とモデル削減戦略の多くを排除します。結果が収集されると、SVEM分析フレームワークは、実装が容易で、従来のモデリングアプローチよりも優れたモデルを生成する傾向があるアプローチを提供します13。さらに、各応答の予測式に基づくグラフ分析は、科学者が簡単に解釈できるため、回帰モデルからの相関性の高いパラメータ推定値の解釈を必要とせずに、個々の要因および要因の小グループに対する応答の限界挙動の明確な要約が得られます。これにより、科学者は、SVEMが統計的に有意でない効果を自動的に除去した後、研究要因全体の実際的な有意性を評価することに集中することができます。
このワークフローは、最適化のためにN/P比、流速、混合比などの脂質組成と製剤パラメータを体系的に変化させ、...

in vivo遺伝子送達システム用の脂質ナノ粒子(LNP)製剤は、一般に、イオン化性脂質、ヘルパー脂質、およびPEG脂質のカテゴリーからの4つの構成脂質を含む1、2、3。これらの脂質が単独で研究されているか、他の非混合因子と同時に研究されているかにかかわらず、これらの製剤の実験では、候補製剤が与えられた場合、脂質のいずれか1つの比率を増減すると、必然的に他の3つの脂質の比率の合計が対応する減少または増加するため、「混合」設計が必要です。
説明のために、ベンチマークとして扱われるセットレシピを現在使用しているLNP製剤を最適化していると想定されています。目標は、LNPの効力を最大化すると同時に、二次的に平均粒子サイズを最小限に抑えることを目指すことです。実験で変化する研究要因は、4つの構成脂質(イオン化可能、コレステロール、DOPE、PEG)のモル比、N:P比、流速、およびイオン化可能な脂質タイプです。イオン化性脂質およびヘルパー脂質(コレステロールを含む)は、PEGよりも広い範囲のモル比、10〜60%にわたって変化することが許容され、この図では1〜5%から変化する。ベンチマーク定式化レシピと他の要因の範囲、およびそれらの丸め粒度は、補足ファイル1で指定されています。この例では、科学者は1日に23回の実行(粒子の一意のバッチ)を実行でき、最小要件を満たしている場合はそれをサンプルサイズとして使用したいと考えています。この実験のシミュレーション結果は、補足ファイル2および補足ファイル3に記載されています。
RampadoとPeer4は、ナノ粒子ベースのドラッグデリバリーシステムの最適化のための設計された実験のトピックに関する最近のレビュー論文を発表しました。Kauffmanら5は、分数要因と決定的スクリーニング計画を用いたLNP最適化研究を検討しました6。ただし、これらのタイプの計画は、非効率的な「スラック変数」7の使用に頼らずに混合制約条件に対応することはできず、混合因子が存在する場合は通常使用されません7,8。その代わりに、混合制約を組み込むことができる「最適設計」が、伝統的に混合プロセス実験9に使用される。これらの計画は、ユーザーが指定した分析因子の関数を対象としており、この関数が分析因子と応答の間の真の関係を捉える場合にのみ(考えられる多くの意味の1つで)最適です。本文には「最適設計」と「最適製剤候補」の区別があり、後者は統計モデルによって特定された最良の製剤を指すことに注意してください。最適設計には、混合プロセス実験の3つの主な欠点があります。第一に、科学者がターゲットモデルを指定するときに研究因子の相互作用を予測できない場合、結果として得られるモデルは偏りがあり、劣った候補定式化を生み出す可能性があります。第2に、最適計画では、ほとんどの実行が因子空間の外部境界に配置されます。LNP研究では、脂質またはプロセス設定の極端で粒子が正しく形成されない場合、これにより多数のランが失われる可能性があります。第三に、科学者は、モデルに依存しない応答曲面の感覚を得て、因子空間のこれまで未踏の領域でプロセスを直接観察するために、因子空間の内部で実験を実行することを好むことがよくあります。
別の設計原理は、空間充填計画10で(混合拘束)因子空間の近似一様被覆をターゲットにすることです。これらの計画は、最適計画9 と比較して実験効率をいくらか犠牲にしますが(因子空間全体が有効な定式化につながると仮定します)、このアプリケーションで有用なトレードオフでいくつかの利点を提供します。空間充填計画では、応答曲面の構造について 先験 的に仮定することはありません。これにより、分析因子間の予期しない関係を柔軟に把握できます。これにより、目的のランサイズを調整するときに追加または削除する回帰項を決定する必要がないため、計画生成も合理化されます。一部の計画点(レシピ)が定式化の失敗につながる場合、空間充填計画により、研究因子の破損境界をモデル化すると同時に、成功した因子の組み合わせに対する研究応答の統計モデルもサポートできます。最後に、因子空間の内部カバレッジにより、モデルに依存しない応答曲面のグラフィカルな探索が可能になります。
混合プロセス実験の混合因子部分空間を視覚化するために、特殊な三角形の「三角プロット」が使用されます。 図 1 は、3 つの成分がそれぞれ 0 から 1 の範囲に許容される点の立方体で、成分の合計が 1 に等しいという制約を満たす点が赤で強調表示されます。3つの成分に対する混合制約により、実現可能因子空間が三角形に減少します。4つの混合成分を使用するLNPアプリケーションでは、他の脂質の合計を表す「その他」軸に対して一度に2つの脂質をプロットすることにより、因子空間を表す6つの異なる三元プロットを生成します。
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> 図1:三角因子領域。 立方体内の空間充填プロットでは、小さな灰色の点は混合拘束条件と矛盾する定式化を表します。大きな赤い点は、立方体内に内接する三角形上にあり、混合制約が満たされる定式化を表します。 <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">この図の拡大版を表示するには、ここをクリックしてください。</a>
脂質混合因子に加えて、N:P比、緩衝液濃度、流速などの1つ以上の連続プロセス因子が存在することがよくあります。イオン化可能な脂質タイプ、ヘルパー脂質タイプ、またはバッファータイプなどのカテゴリー的要因が存在し得る。目標は、効力の尺度を最大化し、および/または粒子サイズとPDI(多分散指数)の最小化などの物理化学的特性を改善する製剤(脂質とプロセス要因の設定の混合物)を見つけることです、カプセル化率の最大化、および副作用の最小化- in vivo 研究で体重減少など。妥当なベンチマークレシピから始める場合でも、遺伝的ペイロードの変化を考慮して、またはプロセス因子や脂質タイプの変化を考慮する場合は、再最適化に関心があるかもしれません。
Cornell7 は、混合および混合プロセス実験の統計的側面に関する決定的なテキストを提供し、Myersら9は、最適化のための最も関連性の高い混合設計および分析トピックの優れた要約を提供します。 ただし、これらの作業は、統計的な詳細と専門用語で科学者を過負荷にする可能性があります。実験の計画と分析のための最新のソフトウェアは、関連する理論に訴えることなく、ほとんどのLNP最適化問題を十分にサポートする堅牢なソリューションを提供します。より複雑で優先度の高い研究は、統計学者とのコラボレーションの恩恵を受け、スペース充填設計ではなく最適な設計を採用する可能性がありますが、私たちの目標は、科学者の快適性レベルを向上させ、非効率的な1ファクターアットアタイム(OFAT)テスト11 に訴えたり、単に仕様を満たす最初の製剤に落ち着くことなく、LNP製剤の最適化を促進することです。
この記事では、統計ソフトウェアを利用して一般的なLNP定式化の問題を最適化し、設計と分析の問題に遭遇する順序で対処するワークフローを紹介します。実際、この方法は一般的な最適化問題に対して機能し、LNPに限定されません。 その過程で、発生するいくつかの一般的な質問に対処し、経験とシミュレーション結果に基づいた推奨事項を提供します12。最近開発された自己検証アンサンブルモデル(SVEM)13 のフレームワークは、混合プロセス実験の結果を分析するための他の脆弱なアプローチを大幅に改善し、このアプローチを使用して、製剤最適化のための簡素化された戦略を提供します。ワークフローは、他のソフトウェアパッケージを使用しても従うことができる一般的な方法で構築されていますが、JMP 17 Proは、混合プロセス実験の難解な分析を簡素化するために必要であることが判明したグラフィカルな要約ツールとともにSVEMを提供するという点でユニークです。その結果、JMP固有の命令もプロトコルで提供されます。
SVEMは、従来のアプローチと同じ線形回帰モデル基盤を採用していますが、前方選択またはペナルティ付き選択(なげなわ)ベースアプローチのいずれかを使用することで、候補効果の「フルモデル」に適合するために必要な面倒な変更を回避できます。さらに、SVEMは、データに現れるノイズ(工程と分析的分散)を組み込む可能性を最小限に抑える、改善された「縮小モデル」適合を提供します。これは、モデル13、14、15、16、17、18の各実行の相対的な重要度を繰り返し再重み付けした結果、予測されたモデルを平均化することによって機能します。SVEMは、従来のシングルショット回帰よりも実装が容易で、より高品質の最適な製剤候補が得られる混合プロセス実験をモデル化するためのフレームワークを提供します12,13。SVEMの数学的詳細はこのホワイトペーパーの範囲を超えており、関連する文献レビューを超えた大まかな要約でさえ、このアプリケーションの主な利点である、開業医にとってシンプルで堅牢で正確なクリックツーラン手順を可能にします。
提示されたワークフローは、医薬品開発に対するクオリティ・バイ・デザイン(QbD)19 アプローチと一致しています20。研究の結果、材料属性とプロセスパラメータを臨界品質属性(CQA)21にリンクする機能的関係が理解されます。Daniel et al.22 は、RNAプラットフォーム生産に特化したQbDフレームワークの使用について議論しています:私たちのワークフローは、このフレームワーク内のツールとして使用できます。

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

設計された混合プロセス実験と自己検証アンサンブルモデル(svem)を使用した脂質ナノ粒子(lnp)製剤最適化のワークフロー

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

脂質ナノ粒子(LNP)製剤を最適化するためのクオリティ・バイ・デザイン(QbD)スタイルのアプローチを提示し、科学者にアクセス可能なワークフローを提供することを目指しています。イオン化性脂質、ヘルパー脂質、およびPEG脂質のモル比を合計すると最大100%でなければならないこれらの研究に固有の制限により、この混合物の制約に対応するための特殊な設計および分析方法が必要です。LNP設計の最適化で一般的に使用される脂質とプロセス因子に焦点を当て、空間充填設計を採用し、最近開発された自己検証アンサンブルモデル(SVEM)の統計的フレームワークを利用することにより、混合プロセス実験の設計と分析で従来発生する多くの困難を回避するステップを提供します。ワークフローは、候補となる最適な定式化の作成に加えて、結果の解釈を簡素化する適合統計モデルのグラフィカルな要約も構築します。新たに同定された候補製剤は、確認ランで評価され、オプションで、より包括的な第2相試験のコンテキストで実施することができます。

このアプローチは、MC3様古典脂質とリピドイド(C12-200など)の両方に広く分類され、一般的にコンビナトリアルケミストリーに由来します。One Factor at a Time(OFAT)法を使用して開発されたベンチマークLNP製剤と比較して、当社のワークフローを通じて生成された候補製剤は、 図18のマウス肝ルシフェラーゼ測定値に示すように、対数スケールで4〜5倍の効力向上を示すことがよくあります。 表1 は、2つの最適化段階(最初の研究とその後の追跡研究)を通じてベンチマーク対照性能にわたって観察されたマウス肝臓ルシフェラーゼ発現の対応する増強を示しています。最初のフェーズでは、他の要因を一定に保ちながら脂質比を最適化することに重点が置かれました。追跡研究では、追加のヘルパー脂質タイプを導入し、脂質比組成とヘルパー脂質タイプの両方を考慮して最適化を行いました。その結果、新たに導入されたヘルパー脂質タイプは、関連する最適化された脂質組成とともに使用されるように選択されました。効力の有意な増強は、これらの最適化された組成物が優れたエンドソーム...

このプロトコルは、実験計画構成における主観的な選択を最小限に抑える、混合、連続、およびカテゴリカル研究要因に対する定式化最適化へのアプローチを提供します。解析フェーズでは、効果的で使いやすいモデリングフィッティング手順が採用されます。

設計された混合プロセス実験と自己検証アンサンブルモデル(SVEM)を使用した脂質ナノ粒子(LNP)製剤最適化のワークフロー

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

この記事では、科学者が実験計画表を作成し、面倒で潜在的に不安定な統計的決定を必要とせずに、さまざまな混合およびプロセス要因にわたって実験結果を分析するためのワークフローを提供します。結果のモデルは、複数の応答に対して共同で最適化し、結合応答曲面と個々の応答の予測の両方を要約するための有益なグラフィックを生成するために使用できます。これらの図は、基礎となる統計モデルからのパラメータ推定値よりも解釈が容易であり、最も望ましい応答を生成する因子設定を表すのに役立ちます。脂質およびナノ粒子製剤の科学者は、さまざまなペイロード用に、または脂質やプロセス設定を変更するときに、新しいレシピを構築する必要があることがよくあります。当社は、設計構築におけるエラーの可能性を最小限に抑え、分析中の広範な統計的および知識の必要性を回避する、定式化最適化への堅牢なアプローチを提供します。実験の目的を日付スタンプ付きのドキュメントにまとめます。実験中に測定される応答をリストします。変化する因子と、スタディ中に一定に保たれる因子を選択します。さまざまな要因の範囲と、それぞれに関連する 10 進数の精度を確立します。最小および最大のヒューリスティックを使用して試験デザインのサイズを決定します。ジャンプを開き、メニューバーをDOI、特殊目的、空間充填設計に移動します。試験の回答を入力します。分析因子と範囲を入力します。計画の実行回数をあらかじめ入力します。選択した因子と実行サイズの空間充填計画テーブルを生成します。手動で作成した実行に注釈を付けるためのメモ列をテーブルに追加します。該当する場合は、ベンチマーク制御の実行を設計テーブルに手動で組み込みます。制御されたベンチマークの 1 つのレプリケートを含めます。メモ列にベンチマーク名をマークし、ベンチマークレプリケート行を色分けして、簡単に正しく識別できるようにします。因子水準の混合を適切な粒度に丸めます。丸められた値をコピーし、元の列に貼り付けます。丸められた列の冗長コピーを削除します。脂質因子を丸めた後、それらの合計が100%に等しいことを確認しますいずれかの行の合計が1と等しくない場合は、混合因子の1つを手動で調整し、因子範囲内に収まるようにします。調整が完了したら、合計列を削除します。混合因子の丸めに使用したのと同じ手順に従って、工程因子をそれぞれの粒度に丸めます。脂質列を書式設定して、目的の小数点以下の桁数のパーセンテージとして表示します。ベンチマークなどの手動実行を追加した場合は、テーブルの行の順序を再ランダム化し、丸められた値を持つ新しい列を追加します。列ヘッダーを右クリックしてこの列を昇順に並べ替え、列を削除します。三角プロットを生成して、脂質因子上の計画点を視覚化します。また、工程因子に対する実行分布も調べます。定式化科学者は、すべての実行の実現可能性を確認する必要があります。実行不可能な実行が存在する場合は、新しく検出された制約を考慮してデザインをリスタートします。計画表で指定された順序で実験を実行します。実験テーブルに組み込まれたカラムに読み出しを記録します。測定値をプロットし、応答の分布を調べます。色分けされた反復実行間の相対距離を調べる (含まれている場合) これにより、因子空間全体の因子設定の変更による変動と比較して、ベンチマークでの全工程と分析変動を理解できます。三角プロットで実行を作成します。応答に従って点に色を付けて、混合因子に対する挙動のモデルに依存しないビューを取得します。結果のグラフのいずれかを右クリックし、[行の凡例] を選択して、応答列を選択します。応答ごとにこれを繰り返します。各応答について、分析因子の関数として独立したモデルを作成します。空間充填設計によって作成されたモデル スクリプトを削除します。分析、モデルの適合を選択します。すべての候補効果を含む完全なモデルを構築します。このモデルには、各因子の主効果、二元交互作用と三元交互作用、工程因子の2次および部分3次項、混合因子のシェフ3次項を含める必要があります。すべての分析因子を選択します。次数のエントリをデフォルトの 2 から 3 に変更します。次に、階乗から次数を選択します。非混合因子のみを選択し、マクロ、部分3次を選択します。混合因子のみを選択し、マクロ、シェフ3次を選択します。デフォルトのインターセプトなしオプションを無効にします。応答列を指定し、パーソナリティを一般化回帰に変更します。このモデルをデータ テーブルに保存して、簡単に呼び出すことができます。[データ テーブルに保存] を選択します。[実行] をクリックします。推定方法は、SVEM前方選択を選択します。高度なコントロールの強制用語メニューを展開し、混合主効果に対応するボックスのチェックを外します。切片項のみがオンのままになります。[実行]をクリックします。SVEMモデルからの予測応答によって実際の応答をプロットし、妥当な予測可能性を検証します。[SVEM 前方選択] の横にある赤い三角形をクリックし、[列を保存]、[予測式を保存] の順に選択します。これにより、データテーブルに予測式を含む新しい列が作成されます 応答ごとにモデル構築手順を繰り返します。すべての応答の予測列がデータテーブルに保存されたら、プロファイラー関数を使用して、すべての予測応答列の応答トレースをプロットします。[グラフ プロファイラー] を選択し、[Y 予測式] の前の手順で作成したすべての予測列を選択して、[OK] をクリックします。候補となる最適な製剤を特定します。各応答の望ましさ関数を、最大化、最小化、またはターゲットに一致させるかどうかを設定します。これには、各応答の相対的な重要度の重みを設定する必要もあります。最初の候補を生成するには、プライマリ応答を重要度の重み 1.0 を使用するように設定し、セカンダリ応答の重要度の重み 0.2 を使用するように設定します。満足度関数を最大化する最適な因子設定を見つけるようにプロファイラーに指示します。[最適化の望ましさ]、[望ましさの最大化] の順に選択します。最適な因子設定を、各応答に使用される重要度の重み付けに関するメモとともに記録します。イオン化可能な脂質タイプなどのカテゴリカル因子については、各因子水準に対して条件付きで最適な製剤を見つけます。まず、プロファイラーで各因子の目的のレベルを設定します。次に、Ctrlキーを押しながらその係数のグラフ内を左クリックして、[係数設定のロック]を選択します。この最適化と望ましさの選択は、この係数を現在の設定にロックした条件付き最適値を見つけるための望ましさを最大化します。終了したら、続行する前に因子設定のロックを解除します。応答の重要度の重みを変更した後、最適化プロセスを繰り返し、おそらく一次応答のみを最適化するか、二次応答の一部を多かれ少なかれ重要度の重みを持つように設定して、目標をゼロに設定します。新しい最適な候補を記録します。因子空間の最適領域のグラフ要約を生成します。許容因子空間内でランダムに生成された因子設定が入力された50, 000行を含むデータテーブルと、各応答の縮小モデルからの対応する予測値、および共同望ましさ関数を作成します。ランダムテーブルを出力を選択します。シミュレートする実行回数の値を 50, 000 に変更し、[OK] をクリックします。新しく作成したテーブルに、望ましさ列のパーセンタイルを計算する新しい列を追加します。この百分位数列を三角プロットで、生の望ましさ列の代わりに使用します。望ましさ列ヘッダーを右クリックし、新しい式列、分布、累積確率を選択します。次のグラフィックを生成します。グラフィックスの配色を繰り返し変更して、各応答と累積確率列の予測を表示します。4つの脂質因子の三元プロットを作成します。テーブルで、グラフ三角プロットに移動します。Xプロットの混合因子を選択し、OKをクリックします。結果のグラフの1つを右クリックし、[行の凡例]を選択してから、予測応答列を選択します。色のドロップダウンを [Jet] に変更します。これは、脂質因子に関して最良および最低のパフォーマンス領域を示します。現在の図は、重要な続編を1で効力を最大化し、重要な続編を0.2でサイズを最小化することを検討した場合の共同望ましさのパーセンタイルを示しています。三角プロット軸に示されていない因子を平均しながら。各応答の予測を表示するために、グラフィックの配色を繰り返し変更します。同様に、非混合プロセス因子に対して一意の定式化を表す50, 000色分けされた点を単数または共同でプロットし、応答と因子の間の関係を探します。最高の望ましさでポイントを生成する係数設定を探します。この図は、3つのイオン化脂質タイプのそれぞれで形成することができたすべての製剤の共同望ましさを示しています。最も望ましい製剤はH102を使用し、H101はいくつかの潜在的に競争力のある代替品を提供します。さまざまな応答につながる可能性のある要因のさまざまな組み合わせを調べます。予測プロファイラーとその記憶された設定をデータ テーブルに保存します。以前に特定した最適な候補をリストした表を準備します。ベンチマーク コントロールを、定式化および測定される候補の実行のセットに含めます。実験からの製剤のいずれかが望ましい結果をもたらすことがわかった場合、おそらくベンチマークを上回ることによって、候補表に追加する最良のものを選択し、新しい製剤とともに再テストします。プロファイラーで記憶された設定テーブルを右クリックし、[データ テーブルに作成] を選択します。確認実行を実行し、定式化を構築し、読み出しを収集します。候補の最適製剤の性能を比較します。このワークフローは、多くのアプリケーションで使用されています。ほとんどの場合、一度に1つの因子最適化を使用して設定されたベンチマーク定式化と比較すると、効力の少なくとも4〜5倍の改善が観察されました。改善は、二次的な対応が共同で対象とされている場合に特に顕著です。シミュレーションを使用して、この手順によって生成された最適な候補の期待される品質を示すこともできます。論文で説明した実験例の既知のデータ生成関数を使用して、このワークフローで使用される空間充填設計およびSVEMベースの分析から得られた候補最適製剤の品質を、従来の混合物分析技術から得られたものと比較することができます。縦軸に最適な定式化の質、横軸に計画の実行回数を示すと、青い点は、150回のシミュレーションで縮小されていない完全統計モデルのパフォーマンスを表します。琥珀色の点は、AICC目的関数に基づく従来のシングルショットフォワード選択のパフォーマンスを表します。緑色の点は、このワークフローで使用されるSVEMベースの前方選択アプローチのパフォーマンスを表します。SVEM分析により、より良い最適な候補とより少ない実行結果を得ることができます。設計と分析のために統計学者の助けを必要とする追加の複雑さを伴う研究が時折あります。優先度が非常に高い研究、実行サイズが通常よりも制限されている研究、カテゴリ因子の数が多い研究、または水準数が多い単一のカテゴリ因子の研究は、統計学者によって異なるアプローチをとられる可能性があります。ワークフローで指定された空間充填設計の代わりに、最適設計またはハイブリッド設計を使用する。

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

Research

JoVE Journal

Chemistry

化学

このプロトコルは、同質性の高いサブミクロンサイズの脂質小胞を調製するための押出法を説明します。このメソッドは、リポソーム調製のための制御された窒素の流量と圧力制御システムを使用しています。脂質の準備...

ナノサイズの脂質小胞の調製のための一定の圧力制御押出法

&gt;jove_content&lt;この研究では、生体適合性ナノ粒子の超小さな集団を合成する方法と、それらの細胞相互作用を評価するためのいくつかのin vitro方法が説明されました。...

細胞内ターゲティングアプリケーションのための固体脂質ナノ粒子（SLNs）

脂質ナノ粒子は、mRNAおよびDNAカプセル化のためのマイクロ流体混合プラットフォームアプローチを用いて開発される。...

マイクロ流体混合プラットフォームを用いた遺伝子導入のための脂質ナノ粒子の作製と特性化

マイクロ流体ベースの脂質ナノ粒子(LNP)生産方法は、RNA送達を含む薬物送達システム(DDS)において注目されている。このプロトコルは、iLiNPという名前の当社独自のマイクロ流体デバイスを使用した製造、LNP(siRNA搭載LNP)生産、およびLNP評価プロセスを記述しています。...

マイクロ流体デバイスを用いたsiRNA搭載脂質ナノ粒子の製造

ここでは、ホタルルシフェラーゼをコードするmRNAをカプセル化する脂質ナノ粒子(LNP)を製剤化するためのプロトコルが提示されます。これらのLNPは、in vitro でHepG2細胞で、in vivo...

マイクロ流体混合で調製したmRNA-脂質ナノ粒子のin vitro および in vivo 効率の試験

2ジェットCIJおよび4ジェットマルチインレットボルテックスミキサー(μMIVM)を含む閉じ込め衝突ジェット(CIJ)ミキサー技術を使用して脂質ナノ粒子(LNP)を合成するための詳細なプロトコルが実証されています。CIJミキサーは、再現性のある乱流マイクロミキシング環境を生成し、単分散LNPを生成します。...

閉じ込めインピンギングジェットミキサーにおける乱流による脂質ナノ粒子の合成

グラム陰性菌からのリポ多糖（LPS）のリピドAドメインの単離および特徴は、細胞表面の抗生物質耐性のベースのメ​​カニズム、細菌の生存やフィットネス、そしてどのように化学的に多様な脂質分子種が差ホスト自然免疫応答を調節への洞察を提供します。...

グラム陰性菌からの単離とリピドAの化学特性評価

ミラー·ユーリーの実験は、生命の起源への可能な関連性有機化合物の非生物的合成に関する先駆的な研究であった。単純なガスがガラス装置に導入し、原始地球の大気海洋システムにおける落雷の影響をシミュレートし、放電を行った。実験はそれから採取した試料は生命の化学的ビルディングブロックについて分析し、この後、一週間行った。...

ミラー·ユーリーの実験を行う

コンセンサスモチーフに基づく合成タンパク質配列は、通常、相互作用依存性(IPD)を示唆する共進化残基を無視します。 IPDはアクティビティに不可欠であり、IPDを無視する設計は最適でない結果をもたらす可能性があります。...

合成タンパク質の最適化：中間物挿入依存関係の同定構造的インジケートおよび/または機能的に連結された残基

ここでは、カーテンフロー(CF)モードでのアクティブフローテクノロジー(AFT)カラムの操作と最適化のためのプロトコルを提示します。これにより、分離性能が向上します。...

カーテンフローカラム：効率の最適化と感度

学ぶLNP製剤最適化のワークフロー。設計された混合プロセス実験とSVEMを用いて、複数の応答を同時に最適化し、視覚的なグラフィックスで結果を解釈する方法を紹介します。統計的専門知識を必要とせず、製剤開発の信頼性を向上させます。

設計された混合プロセス実験と自己検証アンサンブルモデル(SVEM)を使用した脂質ナノ粒子(LNP)製剤最適化のワークフロー

さらに動画を探す