Name: SVEM(Designed Mixture-Process Experiments and Self-Validated Ensemble Model)을 사용한 지질 나노입자(LNP) 제형 최적화를 위한 워크플로우 (동영상) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: 배우세요 지질 나노입자 제형 최적화를 위한 SVEM 기반 실험 설계 및 분석 워크플로우를 활용한 방법입니다. 이 접근법은 다중 반응 공동 최적화와 직관적인 그래픽을 통해 통계적 오류를 최소화하고 신뢰할 수 있는 결과를 제공합니다.

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

기사를 개선하는 제안에 대해 편집자와 익명의 심사위원에게 감사드립니다.

<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>

이 워크플로우를 뒷받침하는 실험 설계 전략은 저자 중 한 명이 발명가인 두 개의 특허 출원에 사용되었습니다. 또한 Adsurgo, LLC는 인증된 JMP 파트너입니다. 그러나 이 논문의 개발과 출판은 JMP의 어떠한 형태의 금전적 인센티브, 격려 또는 기타 유인책도 없이 수행되었습니다.

혼합물 공정 실험의 설계 및 분석을 위한 최신 소프트웨어를 통해 과학자들은 비효율적인 OFAT 실험을 피하는 구조화된 워크플로우에서 지질 나노입자 제형을 개선할 수 있습니다. 최근에 개발된 SVEM 모델링 접근 방식은 이전에 불필요한 통계적 고려 사항으로 과학자들의 주의를 산만하게 했을 수 있는 많은 난해한 회귀 수정 및 모델 축소 전략을 제거합니다. 일단 결과가 수집되면, SVEM 분석 프레임워크는 구현하기 더 쉬우며 전통적인 모델링 접근법보다 더 나은 모델을 생성하는 경향이 있는 접근법을 제공한다13. 또한 각 반응에 대한 예측 공식을 기반으로 하는 그래픽 분석은 과학자들이 쉽게 해석할 수 있으며, 회귀 모델에서 상관관계가 높은 매개변수 추정치를 해석할 필요 없이 개별 요인 및 소규모 요인 그룹에 대한 반응의 한계 거동에 대한 명확한 요약을 제공합니다. 이를 통해 과학자들은 SVEM이 통계적으로 유의하지 않은 영향을 자동으로 제거한 후 연구 요인 전반에 걸쳐 실질적인 중요성을 평가하...

생체내 유전자 전달 시스템을 위한 지질 나노입자 (LNP) 제형은 일반적으로 이온화 가능, 헬퍼 및 PEG 지질 1,2,3의 범주로부터 4개의 구성 지질을 포함한다. 이들 지질이 단독으로 연구되든 다른 비혼합물 인자와 동시에 연구되든, 이들 제형에 대한 실험은 "혼합물" 설계를 필요로 하는데, 그 이유는 - 후보 제형이 주어지면 - 지질 중 어느 하나의 비율을 증가시키거나 감소시키는 것은 필연적으로 다른 3개의 지질의 비율의 합에서 상응하는 감소 또는 증가로 이어지기 때문이다.
예를 들어, 현재 벤치마크로 취급될 세트 레시피를 사용하는 LNP 제형을 최적화하고 있다고 가정합니다. 목표는 LNP의 효능을 최대화하는 동시에 이차적으로 평균 입자 크기를 최소화하는 것입니다. 실험에서 다양한 연구 요소는 4가지 구성 지질(이온화 가능, 콜레스테롤, DOPE, PEG)의 몰비, N:P 비율, 유속 및 이온화 가능한 지질 유형입니다. 이온화 가능한 지질(콜레스테롤 포함)은 PEG보다 더 넓은 범위의 몰비(10-60%)에 걸쳐 변할 수 있으며, 이는 이 그림에서 1-5%로 변할 것입니다. 벤치마크 제형 레시피와 다른 요인의 범위 및 반올림 세분성은 보충 파일 1에 명시되어 있습니다. 이 예에서 과학자들은 하루에 23번의 런(입자의 고유한 배치)을 수행할 수 있으며 최소 요구 사항을 충족하는 경우 이를 표본 크기로 사용하려고 합니다. 이 실험에 대한 시뮬레이션 결과는 보충 파일 2 및 보충 파일 3에 제공됩니다 .
Rampado와 Peer4는 나노 입자 기반 약물 전달 시스템의 최적화를 위해 설계된 실험 주제에 대한 최근 리뷰 논문을 발표했습니다. Kauffman et al.5은 부분 요인 및 확정 선별 설계를 사용하여 LNP 최적화 연구를 고려했습니다6; 그러나 이러한 유형의 설계는 비효율적인 "슬랙 변수"7를 사용하지 않고는 혼합물 제약조건을 수용할 수 없으며, 혼합물 계수가 존재할 때는 일반적으로 사용되지 않습니다7,8. 대신, 혼합물 제약 조건을 통합할 수 있는 "최적 설계"가 전통적으로 혼합물 공정 실험에 사용된다 9. 이러한 설계는 연구 요인의 사용자 지정 함수를 대상으로 하며 이 함수가 연구 요인과 반응 간의 실제 관계를 포착하는 경우에만 최적입니다(여러 가지 가능한 의미 중 하나에서). 텍스트에는 "최적 설계"와 "최적 제형 후보" 사이에 차이가 있으며, 후자는 통계 모델에 의해 식별된 최상의 제형을 나타냅니다. 최적 설계에는 혼합물 공정 실험에 대한 세 가지 주요 단점이 있습니다. 첫째, 과학자가 목표 모델을 지정할 때 연구 요인의 상호 작용을 예상하지 못하면 결과 모델이 편향되어 열등한 후보 공식을 생성할 수 있습니다. 둘째, 최적 설계는 대부분의 런을 요인 공간의 외부 경계에 배치합니다. LNP 연구에서는 입자가 지질 또는 공정 설정의 극단에서 올바르게 형성되지 않을 경우 많은 수의 실행 손실이 발생할 수 있습니다. 셋째, 과학자들은 종종 반응 표면에 대한 모델 독립적 감각을 얻고 요인 공간의 이전에 탐색되지 않은 영역에서 직접 프로세스를 관찰하기 위해 요인 공간의 내부에서 실험적 실행을 선호합니다.
대안적인 설계 원리는 공간 채우기 설계(10)를 사용하여 (혼합물 제약) 요인 공간의 근사치의 균일한 커버리지를 목표로 하는 것이다. 이러한 설계는 최적 설계9 에 비해 일부 실험 효율성을 희생하지만(전체 요인 공간이 유효한 공식으로 이어진다고 가정할 때), 이 응용 분야에서 유용한 몇 가지 이점을 절충한다. 공간 채우기 설계는 응답 표면의 구조에 대해 선험 적으로 가정하지 않습니다. 이를 통해 연구 요인 간의 예상치 못한 관계를 포착할 수 있는 유연성을 얻을 수 있습니다. 또한 원하는 실행 크기를 조정할 때 추가하거나 제거할 회귀 항을 결정할 필요가 없기 때문에 디자인 생성이 간소화됩니다. 일부 설계점(레시피)으로 인해 공식화가 실패하는 경우 공간 채우기 설계를 사용하면 연구 요인에 대한 고장 경계를 모형화하는 동시에 성공적인 요인 조합에 대한 연구 반응에 대한 통계 모형을 지원할 수 있습니다. 마지막으로, 요인 공간의 내부 커버리지는 반응 표면의 모델 독립적인 그래픽 탐색을 허용합니다.
혼합물 공정 실험의 혼합 계수 부분공간을 시각화하기 위해 특수 삼각형 "삼항 플롯"이 사용됩니다. 그림 1은 이러한 용도를 나타냅니다: 세 가지 성분이 각각 0에서 1 사이의 범위를 허용할 수 있는 점의 큐브에서 성분의 합이 1과 같다는 제약 조건을 만족하는 점이 빨간색으로 강조 표시됩니다. 세 가지 성분에 대한 혼합물 제약 조건은 실현 가능한 요인 공간을 삼각형으로 줄입니다. 4가지 혼합물 성분을 사용하는 LNP 응용 분야에서는 다른 지질의 합을 나타내는 "기타" 축에 대해 한 번에 2개의 지질을 플로팅하여 요인 공간을 나타내는 6개의 서로 다른 삼항 플롯을 생성합니다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> 그림 1: 삼각 요인 영역. 정육면체 내의 공간 채우기 그림에서 작은 회색 점은 혼합물 구속조건과 일치하지 않는 공식을 나타냅니다. 더 큰 빨간색 점은 정육면체 내에 새겨진 삼각형에 있으며 혼합물 제약 조건이 충족되는 공식을 나타냅니다. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
지질 혼합물 요인 외에도 N:P 비율, 완충액 농도 또는 유속과 같은 하나 이상의 연속 공정 요인이 있는 경우가 많습니다. 범주형 인자는 이온화 가능한 지질 유형, 헬퍼 지질 유형, 또는 완충액 유형과 같은 존재할 수 있다. 목표는 생체 내 연구에서 효능의 일부 측정을 최대화하고 입자 크기 및 PDI(다분산 지수) 최소화, 캡슐화 비율 최대화 및 체중 감소와 같은 부작용 최소화와 같은 물리화학적 특성을 개선하는 제형(지질 및 공정 요인 설정의 혼합물)을 찾는 것입니다. 합리적인 벤치마크 레시피에서 시작하는 경우에도 유전자 페이로드의 변화를 감안할 때 또는 공정 요인 또는 지질 유형의 변화를 고려할 때 재최적화에 관심이 있을 수 있습니다.
Cornell7 은 혼합물 및 혼합물 공정 실험의 통계적 측면에 대한 명확한 텍스트를 제공하며, Myers et al.9 는 최적화를 위한 가장 관련성이 높은 혼합물 설계 및 분석 주제에 대한 훌륭한 요약을 제공합니다. 그러나 이러한 작업은 통계적 세부 사항과 전문 용어로 과학자들에게 과부하가 걸릴 수 있습니다. 실험 설계 및 분석을 위한 최신 소프트웨어는 관련 이론에 호소할 필요 없이 대부분의 LNP 최적화 문제를 충분히 지원할 수 있는 강력한 솔루션을 제공합니다. 더 복잡하거나 우선순위가 높은 연구도 통계학자와의 협력을 통해 이익을 얻을 수 있고 공간을 채우는 설계보다는 최적 설계를 사용할 수 있지만, 우리의 목표는 비효율적인 OFAT(one-factor-at-a-time) 테스트11 에 호소하거나 단순히 사양을 충족하는 첫 번째 공식에 안주하지 않고 과학자들의 편안함 수준을 개선하고 LNP 제형의 최적화를 장려하는 것입니다.
이 기사에서는 통계 소프트웨어를 활용하여 일반적인 LNP 배합 문제를 최적화하고 설계 및 분석 문제를 발생하는 순서대로 해결하는 워크플로우를 제공합니다. 실제로 이 방법은 일반적인 최적화 문제에 대해 작동하며 LNP에 국한되지 않습니다. 그 과정에서 발생하는 몇 가지 일반적인 질문이 해결되고 경험과 시뮬레이션 결과에 근거한 권장 사항이 제공됩니다12. 최근 개발된 자체 검증 앙상블 모델(SVEM)13 프레임워크는 혼합 공정 실험의 결과를 분석하는 취약한 접근 방식을 크게 개선했으며, 이 접근 방식을 사용하여 제형 최적화를 위한 단순화된 전략을 제공합니다. 워크플로우는 다른 소프트웨어 패키지를 사용하여 따를 수 있는 일반적인 방식으로 구성되지만, JMP 17 Pro는 혼합 공정 실험의 난해한 분석을 단순화하는 데 필요한 그래픽 요약 도구와 함께 SVEM을 제공한다는 점에서 독특합니다. 따라서 JMP 관련 지침도 프로토콜에 제공됩니다.
SVEM은 기존 접근 방식과 동일한 선형 회귀 모델 기반을 사용하지만, 전방 선택 또는 페널티 선택(올가미) 기본 접근 방식을 사용하여 후보 효과의 "전체 모델"을 맞추는 데 필요한 지루한 수정을 피할 수 있습니다. 또한 SVEM은 데이터에 나타나는 잡음(공정 및 분석 분산)을 통합할 가능성을 최소화하는 개선된 "축소 모형" 적합도를 제공합니다. 모델 13,14,15,16,17,18에서 각 실행의 상대적 중요도를 반복적으로 재가중하여 발생하는 예측된 모델의 평균을 구하는 방식으로 작동합니다. SVEM은 기존의 단발성 회귀 분석보다 구현하기 쉽고 더 나은 품질의 최적 제형 후보를 산출하는 혼합물 공정 실험을 모델링하기 위한 프레임워크를 제공합니다(12,13). SVEM의 수학적 세부 사항은 이 논문의 범위를 벗어나며, 관련 문헌 검토를 넘어서는 피상적인 요약조차도 이 응용 프로그램의 주요 이점인 실무자를 위한 간단하고 강력하며 정확한 클릭 투 런 절차를 허용합니다.
제시된 워크플로우는 의약품 개발에 대한 QbD(Quality by Design)19 접근법과 일치한다20. 이 연구의 결과는 재료 속성과 공정 매개변수를 중요한 품질 속성(CQA)21에 연결하는 기능적 관계에 대한 이해가 될 것입니다. Daniel et al.22 는 RNA 플랫폼 생산을 위해 특별히 QbD 프레임워크를 사용하는 것에 대해 논의합니다.

svem(designed mixture-process experiments and self-validated ensemble model)을 사용한 지질 나노입자(lnp) 제형 최적화를 위한 워크플로우

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

우리는 과학자들에게 접근 가능한 워크플로우를 제공하는 것을 목표로 지질 나노입자(LNP) 제형을 최적화하기 위한 QbD(Quality by Design) 스타일의 접근 방식을 제시합니다. 이온화 가능, 헬퍼 및 PEG 지질의 몰 비율이 최대 100%까지 합산되어야 하는 이러한 연구의 고유한 제한 사항은 이러한 혼합물 제약 조건을 수용하기 위해 전문화된 설계 및 분석 방법이 필요합니다. LNP 설계 최적화에 일반적으로 사용되는 지질 및 공정 요인에 초점을 맞추고, 공간 충진 설계를 채택하고 최근 개발된 자체 검증 앙상블 모델(SVEM)의 통계적 프레임워크를 활용하여 혼합물 공정 실험의 설계 및 분석에서 전통적으로 발생하는 많은 어려움을 피할 수 있는 단계를 제공합니다. 후보 최적 제형을 생성하는 것 외에도 워크플로는 결과 해석을 단순화하는 적합 통계 모델의 그래픽 요약을 작성합니다. 새로 확인된 후보 제형은 확인 실행으로 평가되며 선택적으로 보다 포괄적인 2상 연구의 맥락에서 수행될 수 있습니다.

이 접근법은 광범위하게 분류된 지질 유형인 MC3 유사 고전적 지질 및 일반적으로 조합 화학에서 파생된 지질(예: C12-200)에 걸쳐 검증되었습니다. OFAT(One Factor at a Time) 분석법을 사용하여 개발된 벤치마크 LNP 제형과 비교했을 때, 당사의 워크플로우를 통해 생성된 후보 제형은 그림 18의 마우스 간 루시페라아제 판독값에 표시된 것과 같이 로그 척도에서 4-5배의 효능 향상을 자주 보여줍니다. 표 1 은 두 가지 최적화 단계(초기 연구 및 후속 연구)에 걸쳐 벤치마크 대조군 성능을 통해 관찰된 마우스 간 루시페라아제 발현의 상응하는 향상을 보여줍니다. 첫 번째 단계에서는 다른 요인을 일정하게 유지하면서 지질 비율을 최적화하는 데 중점을 두었습니다. 후속 연구에서는 추가적인 헬퍼 지질 유형을 도입하고 지질 비율 구성과 헬퍼 지질 유형을 모두 고려하여 최적화를 수행했습니다. 결과적으로, 새로 도입된 헬퍼 지질 유형이 ...

이 프로토콜은 실험 설계 구성에서 주관적인 선택을 최소화하는 혼합물, 연속 및 범주형 연구 요인에 대한 제형 최적화에 대한 접근 방식을 제공합니다. 분석 단계에서는 효과적이고 사용하기 쉬운 모델링 피팅 절차가 사용됩니다.

SVEM(Designed Mixture-Process Experiments and Self-Validated Ensemble Model)을 사용한 지질 나노입자(LNP) 제형 최적화를 위한 워크플로우

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

이 기사에서는 과학자들이 지루하고 잠재적으로 휘발성 있는 통계적 결정을 내릴 필요 없이 실험 설계 테이블을 구성하고 다양한 혼합물 및 공정 요인에 대한 실험 결과를 분석할 수 있는 워크플로를 제공합니다. 결과 모델은 여러 반응에 대해 공동으로 최적화할 수 있으며 결합 반응 표면과 개별 반응의 예측을 모두 요약하는 정보 그래픽을 생성하는 데 사용할 수 있습니다. 이러한 그래픽은 기본 통계 모델의 모수 추정치보다 해석하기 쉬우며 가장 바람직한 반응을 생성하는 요인 설정을 나타내는 데 도움이 됩니다.지질 및 나노 입자 제형 과학자들은 다양한 페이로드에 대해 또는 지질 또는 공정 설정을 변경할 때 새로운 레시피를 구성해야 하는 경우가 많습니다. 우리는 설계 구성의 오류 가능성을 최소화하고 분석 중에 광범위한 통계 및 지식의 필요성을 피하는 제형 최적화에 대한 강력한 접근 방식을 제공합니다. 날짜가 찍힌 문서에 실험의 목적을 요약합니다.실험 중에 측정할 반응을 나열합니다. 연구 중에 변할 요인과 일정하게 유지될 요인을 선택하십시오. 다양한 요인의 범위와 각각에 대한 관련 소수 정밀도를 설정합니다.최소 및 최대 휴리스틱을 사용하여 연구 설계 크기를 결정합니다. 점프를 열고 메뉴 모음에서 DOI, 특수 목적, 공간 채우기 설계로 이동합니다. 연구 응답을 입력합니다.연구 요인과 범위를 입력합니다. 설계에 대해 미리 결정된 런 수를 입력합니다. 선택한 요인과 런 크기에 대한 공간 채우기 설계 변수 테이블을 생성합니다.수동으로 만든 실행에 주석을 달기 위해 테이블에 메모 열을 추가합니다. 해당되는 경우, 벤치마크 관리 실행을 설계 변수 테이블에 수동으로 통합합니다. 제어된 벤치마크 중 하나에 대한 반복을 포함합니다.메모 열에 벤치마크 이름을 표시하고 쉽게 정확하게 식별할 수 있도록 벤치마크 복제 행에 색상 코드를 지정합니다. 요인 수준의 혼합물을 적절한 세분성으로 반올림합니다. 반올림된 값을 복사하여 원래 열에 붙여넣습니다.둥근 열의 중복 복사본을 삭제합니다. 지질 인자를 반올림한 후 합계가 100%인지 확인합니다행 합계가 1과 같지 않은 경우 혼합 계수 중 하나를 수동으로 조정하여 요인 범위 내에 유지되도록 합니다. 조정이 완료된 후 합계 열을 삭제합니다.혼합물 계수를 반올림하는 데 사용된 것과 동일한 절차에 따라 공정 계수를 각각의 입도로 반올림합니다. 원하는 소수점 이하 자릿수를 사용하여 백분율로 표시되도록 lipid 열의 형식을 지정합니다. 벤치마크와 같은 수동 실행을 추가한 경우 테이블 행 순서를 다시 임의화하고 반올림된 값이 있는 새 열을 추가합니다.이 열을 오름차순으로 정렬하려면 열 머리글을 마우스 오른쪽 단추로 클릭한 다음 열을 삭제합니다. 삼항 플롯을 생성하여 지질 요인에 대한 설계점을 시각화합니다. 또한 공정 요인에 대한 런 분포를 조사합니다.제형 과학자는 모든 실행의 타당성을 확인해야 합니다. 실행 불가능한 실행이 있는 경우 새로 발견된 제약 조건을 고려하여 설계를 다시 시작합니다. 설계 변수 테이블에 제공된 순서대로 실험을 실행합니다.실험 테이블에 내장된 열에 판독값을 기록합니다. 판독값을 플로팅하고 반응의 분포를 조사합니다. 색상으로 구분된 반복 실행 간의 상대적 거리를 조사합니다(포함된 경우). 이를 통해 전체 요인 공간에서 요인 설정의 변경으로 인한 변동성과 비교하여 벤치마크에서 전체 공정 및 분석 변동을 이해할 수 있습니다.삼항 플롯에서 런을 만듭니다. 반응에 따라 점을 색칠하여 혼합 요인에 대한 행동의 모델 독립적 보기를 얻습니다. 결과 그래프 중 하나를 마우스 오른쪽 버튼으로 클릭하고 Row Legend를 선택한 다음 응답 열을 선택합니다.각 응답에 대해 이 작업을 반복합니다. 연구 요인의 함수로 각 반응에 대한 독립적인 모형을 구축합니다. 공간 채우기 설계에서 작성된 모델 스크립트를 삭제합니다.분석, 모형 적합을 선택합니다. 모든 후보 효과로 구성된 전체 모형을 구성합니다. 이 모형에는 각 요인의 주효과, 2차 및 3차 교호작용, 공정 요인의 2차 및 편 3차 항, 혼합 요인에 대한 Scheffe 3차 항이 포함되어야 합니다.모든 연구 요인을 선택합니다. degree에 대한 항목을 기본값인 2에서 3으로 변경합니다. 그런 다음 Factorial to Degree를 선택합니다.비혼합 계수만 선택한 다음 매크로(Macros), 부분 입방체(Partial Cubic)를 선택합니다. 혼합 계수만 선택한 다음 매크로, Scheffe Cubic을 선택합니다. 기본 가로채기 없음 옵션을 비활성화합니다.반응 열을 지정하고 성격을 일반화 회귀 분석으로 변경합니다. 이 모델 설정을 데이터 테이블에 저장하여 쉽게 불러올 수 있습니다. 데이터 테이블에 저장을 선택합니다.실행을 클릭합니다. 추정 방법으로 SVEM 전진 선택을 선택합니다. Advanced Controls Force Terms 메뉴를 확장하고 혼합물 주효과에 해당하는 박스를 선택 취소합니다.인터셉트 용어만 선택된 상태로 유지됩니다. Go.SVEM 모형의 예측 반응으로 실제 반응을 도표화하여 적절한 예측 가능성을 확인합니다. SVEM 정방향 선택 옆에 있는 빨간색 삼각형을 클릭하고 열 저장, 예측 수식 저장을 선택합니다.이렇게 하면 데이터 테이블에 예측 수식이 포함된 새 열이 만들어집니다 각 반응에 대해 모델 작성 단계를 반복합니다. 모든 응답 변수의 예측 열이 데이터 테이블에 저장되면 프로파일러 함수를 사용하여 예측된 모든 응답 변수에 대한 응답 추적을 플로팅합니다. Graph Profiler를 선택하고 Y 예측 수식에 대해 이전 단계에서 만든 모든 예측 열을 선택한 다음 확인을 클릭합니다.후보 최적 제형을 식별합니다. 각 반응에 대해 만족도 함수를 최대화할지, 최소화할지, 목표값과 일치시킬지 여부를 설정합니다. 여기에는 각 반응에 대한 상대적 중요도 가중치 설정도 포함됩니다.첫 번째 후보를 생성하려면 중요도 가중치 1.0을 사용하도록 1차 응답을 설정하고 중요도 가중치 0.2를 사용하도록 2차 응답을 설정합니다. 프로파일러가 만족도 함수를 최대화하는 최적의 요인 설정을 찾도록 지시합니다. 최적화 만족도(Optimization Sensirability), 만족도 최대화(Maximize Sensirability)를 선택합니다.각 반응에 사용된 중요도 가중치에 대한 메모와 함께 최적 요인 설정을 기록합니다. 이온화 가능한 지질 유형과 같은 범주형 인자의 경우, 각 인자 수준에 대해 조건부로 최적의 제형을 찾으십시오. 먼저 프로파일러에서 각 요소의 원하는 수준을 설정합니다.그런 다음 Ctrl 키를 누른 상태에서 해당 요소의 그래프 내부를 마우스 왼쪽 버튼으로 클릭하고 Lock Factor Setting을 선택합니다. 이 선택 최적화 및 바람직 함은 현재 설정에서 잠겨있는 이 요인으로 조건부 최적을 찾는 바람직 함을 최대화합니다. 완료되면 계속하기 전에 요인 설정의 잠금을 해제합니다.응답의 중요도 가중치를 수정한 후 최적화 프로세스를 반복하여 1차 반응만 최적화하거나 일부 2차 응답이 중요도 가중치를 더 많거나 적게 갖도록 설정하여 목표를 없음으로 설정할 수 있습니다. 새 최적 후보를 기록합니다. 요인 공간의 최적 영역에 대한 그래픽 요약을 생성합니다.허용된 요인 공간 내에서 임의로 생성된 요인 설정으로 채워진 50, 000개의 행과 각 반응에 대한 축소 모형의 해당 예측 값 및 결합 만족도 함수가 포함된 데이터 테이블을 만듭니다. 출력 랜덤 테이블을 선택합니다. 시뮬레이션할 실행 횟수 값을 50, 000으로 변경하고 확인을 클릭합니다.새로 만든 테이블에서 만족도 열의 백분위수를 계산하는 새 열을 추가합니다. 이 백분위수 열은 삼항 플롯에서 원시 만족도 열 대신 사용합니다. Desirableability 열 머리글을 마우스 오른쪽 단추로 클릭하고 New Formula Column, Distributional, Cumulative Probability를 선택합니다.다음 그래픽을 생성합니다. 각 반응과 누적 확률 열에 대한 예측을 표시하기 위해 그래픽의 색 구성표를 반복적으로 변경합니다. 4개의 지질 인자에 대한 삼항 플롯을 구성합니다.표에서 그래프 삼항 플롯으로 이동합니다. X 플로팅에 대한 혼합물 계수를 선택하고 확인(OK)을 클릭합니다. 결과 그래프 중 하나를 마우스 오른쪽 단추로 클릭하고 Row Legend를 선택한 다음, 예측된 반응 열을 선택합니다.색상 드롭다운을 Jet로 변경합니다. 이것은 지질 인자와 관련하여 최고 및 최악의 성능 영역을 보여줍니다. 현재 그림은 1에 대한 중요한 속편으로 효능을 최대화하고 0.2에 대한 중요한 속편으로 크기를 최소화하는 것을 고려할 때 관절 만족도의 백분위 수를 보여줍니다.삼항 플롯 축에 표시되지 않은 요인에 대해 평균을 구하는 동안. 각 반응에 대한 예측을 표시하기 위해 그래픽의 색 구성표를 반복적으로 변경합니다. 유사하게, 50, 000 개의 색상으로 구분 된 점을 단일 또는 공동으로 비 혼합 공정 요인에 대해 고유 한 공식을 나타내고 반응과 요인 간의 관계를 찾습니다.가장 바람직한 점 산출률을 생성하는 요인 설정을 찾습니다. 이 그림은 세 가지 이온화된 지질 유형 각각으로 형성될 수 있는 모든 제형의 공동 바람직함을 보여줍니다. 가장 바람직한 제형은 H102를 사용하며 H101은 잠재적으로 경쟁력 있는 대안을 제공합니다.다양한 반응을 유발할 수 있는 다양한 요인 조합을 탐색합니다. 예측 프로파일러와 기억된 설정을 데이터 테이블에 다시 저장합니다. 이전에 식별된 최적의 후보를 나열하는 표를 준비합니다.공식화되고 측정될 후보 실행 집합과 함께 벤치마크 컨트롤을 포함합니다. 실험에서 나온 제형 중 하나라도 벤치마크를 능가하여 바람직한 결과를 산출하는 것으로 밝혀지면 후보 테이블에 추가할 최상의 제형을 선택하고 새 제형과 함께 다시 테스트합니다. 프로파일러에서 기억된 설정 테이블을 마우스 오른쪽 버튼으로 클릭하고 데이터 테이블로 만들기를 선택합니다.확인 실행을 수행하고, 공식을 구성하고, 판독값을 수집합니다. 후보 최적 제형의 성능을 비교한다. 워크플로는 많은 응용 프로그램에서 사용되었습니다.대부분의 경우, 우리는 한 번에 하나의 요소를 사용하여 최적화 된 벤치 마크 제형과 비교할 때 효능이 적어도 4-5 배 향상되는 것을 관찰했습니다. 개선은 2차 대응을 공동으로 목표로 삼을 때 특히 두드러집니다. 시뮬레이션을 사용하여 이 절차에 의해 생성된 최적 후보의 예상 품질을 보여줄 수도 있습니다.논문에 설명된 예제 실험에 대해 알려진 데이터 생성 함수를 사용하여 이 워크플로우에 사용된 공간 충전 설계 및 SVEM 기반 분석에서 얻은 후보 최적 제형의 품질을 기존 혼합물 분석 기술에서 얻은 것과 비교할 수 있습니다. 세로축에 표시된 최적 공식의 품질과 가로축에 표시된 설계의 런 수에서 파란색 점은 150번의 시뮬레이션에 걸쳐 축소되지 않은 전체 통계 모델의 성능을 나타냅니다. 황색 점은 AICC 목적 함수를 기반으로 하는 기존의 단발 전방 선택의 성능을 나타냅니다.녹색 점은 이 워크플로우에서 사용되는 SVEM 기반 순방향 선택 접근 방식의 성능을 나타냅니다. SVEM 분석을 통해 더 나은 최적 후보를 얻고 더 적은 런을 얻을 수 있습니다. 설계 및 분석을 위해 통계학자의 도움이 필요한 추가 복잡성이 있는 연구가 가끔 있을 것입니다.실행 크기가 평소보다 더 제한적이거나 범주형 요인이 많거나 수준이 많은 단일 범주형 요인이 있는 매우 높은 우선 순위 연구는 통계학자가 다르게 접근할 수 있습니다. 워크플로우에 지정된 공간 채우기 설계 대신 최적 설계 또는 하이브리드 설계를 사용합니다.

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

Research

연구

JoVE Journal

Chemistry

화학

이 프로토콜은 균질성의 높은 수준과 함께 서브 마이크론 크기의 지질 vesicles을 준비하기위한 압출 방식을 설명합니다. 이 방법은 리포좀 준비 제어 질소 유량과 압력 제어 시스템을 사용합니다. 지질...

나노 크기의 지질 Vesicles의 준비를 위해 지속적인 압력 제어 압출 방법

이 연구에서는 생체 적합성 나노 입자의 초소형 집단을 합성하는 방법과 세포 상호 작용을 평가하기 위한 몇 가지 시험관 내 방법을 설명했습니다.

고체 지질 나노 입자 (SLNs) 세포 내 타겟팅을위한 응용 프로그램

지질 나노 입자는 mRNA 및 DNA 캡슐화를 위한 미세유체 혼합 플랫폼 접근 방식을 사용하여 개발됩니다.

미세 유체 혼합 플랫폼을 사용하여 유전자 전달을 위한 지질 나노 입자 제조 및 특성화

미세유체계 지질나노입자(LNP) 생산 방법은 RNA 전달을 포함한 약물 전달 시스템(DDSs)에서 주목받고 있다. 이 프로토콜은 iLiNP라는 이름의 당사의 원래 미세 유체 장치를 사용하여 제조, LNP(siRNA 로드 LNP) 생산 및 LNP 평가 프로세스를 설명합니다.

미세 유체 장치를 사용하여 siRNA로드 지질 나노 입자의 생산

여기에서, 반딧불이 루시페라아제를 인코딩하는 mRNA를 캡슐화하는 지질 나노입자(LNP)를 제형화하기 위한 프로토콜이 제시된다. 이 LNP는 HepG2 세포의 in vitro 및 C57BL/6 마우스의 in vivo 에서 효능을 테스트했습니다.

미세유체 혼합으로 제조된 mRNA-지질 나노입자의 In vitro 및 In vivo 효율 테스트

2제트 CIJ 및 4제트 다중 입구 와류 믹서(μMIVM)를 포함한 CIJ(Confined Impact Jet) 믹서 기술을 사용하여 지질 나노입자(LNP)를 합성하기 위한 자세한 프로토콜이 시연됩니다. CIJ 믹서는 재현 가능한 난류 마이크로 혼합 환경을 생성하여 단분산 LNP를 생산합니다.

Synthesisizing Lipid Nanoparticles by Turbulent Flow in Confined Impact Jet Mixers(밀폐 충돌 제트 믹서에서 난류에 의한 지질 나노입자 합성)

그람 음성 박테리아 지질 다당류 (LPS)의 지질 도메인의 분리 및 특성은 세포 표면 항생제 내성의 기반 메커니즘, 세균의 생존과 건강, 어떻게 화학적으로 다양한 지질 분자 종은 차등 호스트 타고난 면역 반응을 조절에 대한 통찰력을 제공합니다.

그람 음성 박테리아에서 분리 및 지질의 화학 특성

밀러 - 유리의 실험은 생명의 기원에 가능한 관련 유기 화합물의 비 생물 적 합성에 관한 선구적인 연구했다. 기본 가스는 유리 용기에 넣고 원시 지구의 대기 해양 시스템에서 낙뢰의 영향을 시뮬레이션 방전을 실시 하였다. 실험은 그것으로부터 수집 샘플 삶의 화학적 빌딩 블록을 분석 하였다, 그 후, 일주일 동안 실시 하였다.

밀러 - 유리의 실험을 실시

합의 모티프를 기반으로 하는 합성 단백질 서열은 일반적으로 IPD(Interpositional Dependencies)를 암시하는 공진화 잔기를 무시합니다.  IPD는 활동에 필수적일 수 있으며, 이를 무시하는 설계는 차선의 결과를 초래할 수 있습니다.  이 프로토콜은 StickWRLD를 사용하여 IPD를 식별하고 합리적인 단백질 설계에 정보를 제공하여 보다 효율적인 결과를 얻을 수 있습니다.

합성 단백질의 최적화 : Interpositional 종속 관계 확인이 구조적으로 표시 및 / 또는 기능적으로 연결된 잔류

여기에서는 분리 성능 향상을 위해 CF(Curtain flow) 모드에서 AFT(Active Flow Technology) 컬럼의 작동 및 최적화를 위한 프로토콜을 제시합니다.

흐름 열 커튼 : 효율성과 감도의 최적화

배우세요 지질 나노입자 제형 최적화를 위한 SVEM 기반 실험 설계 및 분석 워크플로우를 활용한 방법입니다. 이 접근법은 다중 반응 공동 최적화와 직관적인 그래픽을 통해 통계적 오류를 최소화하고 신뢰할 수 있는 결과를 제공합니다.

SVEM(Designed Mixture-Process Experiments and Self-Validated Ensemble Model)을 사용한 지질 나노입자(LNP) 제형 최적화를 위한 워크플로우

더 많은 동영상 탐색