Name: Przepływ pracy w celu optymalizacji formułowania nanocząstek lipidowych (LNP) przy użyciu zaprojektowanych eksperymentów z procesem mieszaniny i samozwalidowanych modeli zespołowych (SVEM) (Wideo) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: Poznaj workflow optymalizacji formułowania nanocząstek lipidowych przy użyciu zaprojektowanych eksperymentów i samozwalidowanych modeli zespołowych. Metoda minimalizuje błędy statystyczne i ułatwia analizę wyników.

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

Jesteśmy wdzięczni redaktorowi i anonimowym recenzentom za sugestie, które poprawiły artykuł.

<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>

Eksperymentalna strategia projektowa leżąca u podstaw tego przepływu pracy została wykorzystana w dwóch zgłoszeniach patentowych, w których jeden z autorów jest wynalazcą. Ponadto Adsurgo, LLC jest certyfikowanym Partnerem JMP. Jednak opracowanie i publikacja tego artykułu zostały podjęte bez żadnej formy zachęty finansowej, zachęty lub innych zachęt ze strony JMP.

Nowoczesne oprogramowanie do projektowania i analizy eksperymentów z udziałem mieszanin umożliwia naukowcom ulepszanie preparatów nanocząstek lipidowych w ustrukturyzowanym przepływie pracy, który pozwala uniknąć nieefektywnych eksperymentów OFAT. Niedawno opracowane podejście do modelowania SVEM eliminuje wiele tajemniczych modyfikacji regresji i strategii redukcji modelu, które wcześniej mogły rozpraszać naukowców zbędnymi rozważaniami statystycznymi. Po zebraniu wyników ramy analizy SVEM oferują podejście, które jest ...

Formulacje nanocząsteczek lipidowych (LNP) dla systemów dostarczania genów in vivo zazwyczaj obejmują cztery składniki lipidowe z kategorii lipidów jonizowalnych, pomocniczych oraz lipidów PEG1,2,3. Niezależnie od tego, czy lipidy te są badane pojedynczo, czy jednocześnie z innymi czynnikami niebędącymi składnikami mieszaniny, eksperymenty dla tych formulacji wymagają zastosowania planów doświadczalnych typu „mieszanina”, ponieważ w przypadku danej formulacji kandydującej zwiększenie lub zmniejszenie stosunku dowolnego z lipidów nieuchronnie prowadzi do odpowiadającego zmniejszenia lub zwiększenia sumy stosunków pozostałych trzech lipidów.
W ramach ilustracji przyjmijmy, że optymalizujemy formulację LNP, która obecnie opiera się na stałej recepturze traktowanej jako punkt odniesienia. Celem jest maksymalizacja aktywności LNP, przy jednoczesnym dążeniu do zminimalizowania średniej wielkości cząsteczek. Czynnikami badania, które są zmieniane w eksperymencie, są stosunki molowe czterech składnikowych lipidów (jonizowalnego, cholesterolu, DOPE, PEG), stosunek N:P, szybkość przepływu oraz rodzaj lipidu jonizowalnego. Lipidy jonizowalne i pomocnicze (w tym cholesterol) mogą zmieniać się w szerszym zakresie stosunku molowego, 10-60%, niż PEG, który w tej ilustracji będzie zmieniany w zakresie 1-5%. Receptura formulacji odniesienia oraz zakresy pozostałych czynników wraz z ich granularnością zaokrąglania zostały określone w Supplementary File 1. W tym przykładzie naukowcy są w stanie przeprowadzić 23 uruchomienia (unikalne serie cząsteczek) w ciągu jednego dnia i chcieliby przyjąć tę liczbę jako wielkość próby, o ile spełnia ona wymagania minimalne. Symulowane wyniki dla tego eksperymentu znajdują się w Supplementary File 2 oraz Supplementary File 3.
Rampado i Peer4 opublikowali niedawno artykuł przeglądowy na temat planowania eksperymentów w celu optymalizacji systemów dostarczania leków opartych na nanocząsteczkach. Kauffman i wsp.5 rozważali badania optymalizacji LNP z wykorzystaniem ułamkowych planów czynnikowych oraz definitywnych planów przesiewowych6; jednak tego typu plany nie mogą uwzględniać ograniczeń mieszaniny bez uciekania się do nieefektywnych „zmiennych słabych” (slack variables)7 i zazwyczaj nie są stosowane w obecności czynników mieszaninowych7,8. Zamiast tego, w eksperymentach dotyczących procesów mieszania tradycyjnie stosuje się „plany optymalne”, które są w stanie włączyć ograniczenia mieszaniny9. Plany te są ukierunkowane na określoną przez użytkownika funkcję czynników badania i są optymalne (w jednym z kilku możliwych znaczeń) tylko wtedy, gdy funkcja ta oddaje rzeczywistą zależność między czynnikami badania a odpowiedziami. Należy zauważyć, że w tekście istnieje rozróżnienie między „planami optymalnymi” a „optymalnymi kandydatami na formulacje”, gdzie te drugie odnoszą się do najlepszych formulacji zidentyfikowanych przez model statystyczny. Plany optymalne wiążą się z trzema głównymi wadami w przypadku eksperymentów dotyczących procesów mieszania. Po pierwsze, jeśli naukowiec nie przewidzi interakcji czynników badania podczas określania modelu docelowego, wynikający z tego model będzie obarczony błędem i może wskazać gorsze formulacje kandydackie. Po drugie, plany optymalne lokują większość serii pomiarowych na zewnętrznej granicy przestrzeni czynników. W badaniach LNP może to prowadzić do dużej liczby utraconych serii, jeśli cząstki nie tworzą się prawidłowo przy skrajnych wartościach lipidów lub ustawień procesu. Po trzecie, naukowcy często preferują przeprowadzanie serii doświadczalnych wewnątrz przestrzeni czynników, aby uzyskać niezależny od modelu obraz powierzchni odpowiedzi i bezpośrednio obserwować proces w wcześniej niezbadanych obszarach przestrzeni czynników.
Alternatywną zasadą projektowania jest dążenie do uzyskania w przybliżeniu równomiernego pokrycia (ograniczonej mieszaniną) przestrzeni czynników za pomocą projektu wypełniającego przestrzeń10. Projekty te poświęcają część wydajności eksperymentalnej w stosunku do projektów optymalnych9 (przy założeniu, że cała przestrzeń czynników prowadzi do poprawnych formulacji), ale oferują w zamian kilka korzyści przydatnych w tej aplikacji. Projekt wypełniający przestrzeń nie przyjmuje żadnych założeń a priori dotyczących struktury powierzchni odpowiedzi, co zapewnia elastyczność w wychwytywaniu nieprzewidzianych zależności między badanymi czynnikami. Upraszcza to również generowanie projektu, ponieważ nie wymaga podejmowania decyzji o tym, które wyrazy regresji dodać lub usunąć w miarę dostosowywania pożądanej liczby prób. W przypadku, gdy niektóre punkty projektu (receptury) prowadzą do nieudanych formulacji, projekty wypełniające przestrzeń umożliwiają modelowanie granicy niepowodzeń w odniesieniu do badanych czynników, wspierając jednocześnie modele statystyczne dla odpowiedzi badania w odniesieniu do udanych kombinacji czynników. Wreszcie, wewnętrzne pokrycie przestrzeni czynników pozwala na niezależną od modelu graficzną eksplorację powierzchni odpowiedzi.
Aby zwizualizować podprzestrzeń czynników mieszaniny w eksperymencie nad procesem mieszania, stosuje się specjalistyczne trójkątne „wykresy ternarne”. Rysunek 1 uzasadnia takie zastosowanie: w sześcianie punktów, w którym trzy składniki mogą przyjmować wartości od 0 do 1, na czerwono zaznaczono punkty spełniające warunek, zgodnie z którym suma składników równa się 1. Ograniczenie dotyczące mieszaniny trzech składników redukuje dopuszczalną przestrzeń czynników do postaci trójkąta. W zastosowaniach dotyczących LNP z czterema składnikami mieszaniny tworzymy sześć różnych wykresów ternarnych, aby przedstawić przestrzeń czynników, wykreślając po dwa lipidy jednocześnie względem osi „Inne”, która reprezentuje sumę pozostałych lipidów.
<img alt="Rycina 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg" /> 
Rycina 1: Trójkątne obszary czynników. Na wykresie wypełniającym przestrzeń wewnątrz sześcianu małe szare kropki reprezentują formulacje, które są niezgodne z ograniczeniem mieszaniny. Większe czerwone punkty znajdują się na trójkącie wpisanym w sześcian i reprezentują formulacje, dla których ograniczenie mieszaniny jest spełnione. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
Oprócz czynników dotyczących mieszaniny lipidów często występują jeden lub więcej ciągłych czynników procesowych, takich jak stosunek N:P, stężenie buforu lub szybkość przepływu. Mogą występować również czynniki kategoryczne, takie jak rodzaj lipidu jonizowalnego, rodzaj lipidu pomocniczego lub rodzaj buforu. Celem jest znalezienie formulacji (mieszaniny lipidów i ustawień czynników procesowych), która maksymalizuje określony miernik skuteczności i/lub poprawia charakterystykę fizykochemiczną, np. poprzez minimalizację wielkości cząsteczek i PDI (indeksu polidyspersyjności), maksymalizację procentu enkapsulacji oraz minimalizację skutków ubocznych – takich jak utrata masy ciała – w badaniach in vivo. Nawet w przypadku rozpoczęcia pracy od rozsądnej receptury wzorcowej, może pojawić się potrzeba ponownej optymalizacji w związku ze zmianą ładunku genetycznego lub przy rozważeniu zmian w czynnikach procesowych bądź rodzajach lipidów.
Cornell7 dostarcza definitywnego opracowania na temat aspektów statystycznych eksperymentów z mieszaninami i procesami mieszania, natomiast Myers i wsp.9 przedstawiają doskonałe podsumowanie najistotniejszych zagadnień projektowania i analizy mieszanin w celu optymalizacji. Prace te mogą jednak obciążać naukowców nadmiarem szczegółów statystycznych i specjalistycznej terminologii. Nowoczesne oprogramowanie do planowania i analizy eksperymentów stanowi solidne rozwiązanie, które w wystarczającym stopniu wspiera większość problemów optymalizacji LNP bez konieczności odwoływania się do odpowiedniej teorii. Chociaż bardziej skomplikowane lub priorytetowe badania wciąż będą zyskiwać na współpracy ze statystykiem i mogą wymagać zastosowania projektów optymalnych zamiast projektów wypełniających przestrzeń, naszym celem jest zwiększenie komfortu pracy naukowców i zachęcenie do optymalizacji formulacji LNP bez uciekania się do nieefektywnego testowania jednego czynnika na raz (OFAT)11 lub zwykłego zadowolenia się pierwszą formulacją, która spełnia specyfikację.
W niniejszym artykule przedstawiono schemat postępowania z wykorzystaniem oprogramowania statystycznego w celu optymalizacji ogólnego problemu formulacji LNP, omawiając kwestie projektowania i analizy w kolejności, w jakiej będą one występować. W rzeczywistości metoda ta sprawdzi się w przypadku ogólnych problemów optymalizacyjnych i nie ogranicza się jedynie do LNP. W toku prac omówiono kilka powszechnie pojawiających się pytań oraz przedstawiono rekomendacje oparte na doświadczeniu i wynikach symulacji12. Niedawno opracowane ramy samowalidujących się modeli zespołowych (SVEM)13 znacznie ulepszyły podatne na błędy podejście do analizy wyników eksperymentów z mieszaninami i procesami, a my wykorzystujemy to podejście, aby zaproponować uproszczoną strategię optymalizacji formulacji. Choć schemat ten został skonstruowany w sposób ogólny, który można by zrealizować przy użyciu innych pakietów oprogramowania, JMP 17 Pro jest wyjątkowy dzięki oferowaniu SVEM wraz z narzędziami do podsumowania graficznego, które okazały się niezbędne do uproszczenia w przeciwnym razie zawiłej analizy eksperymentów z mieszaninami i procesami. W związku z tym w protokole zamieszczono również instrukcje specyficzne dla oprogramowania JMP.
SVEM wykorzystuje te same podstawy modelu regresji liniowej co podejście tradycyjne, ale pozwala uniknąć żmudnych modyfikacji wymaganych do dopasowania „pełnego modelu” efektów kandydackich poprzez zastosowanie podejścia opartego na selekcji w przód lub selekcji z karą (Lasso). Dodatkowo SVEM zapewnia lepsze dopasowanie „modelu zredukowanego”, co minimalizuje ryzyko włączenia szumu (wariancji procesowej i analitycznej) występującego w danych. Metoda ta działa poprzez uśrednianie modeli predykcyjnych wynikających z wielokrotnego ponownego ważenia relatywnego znaczenia każdego uruchomienia w modelu13,14,15,16,17,18. SVEM dostarcza ramy modelowania eksperymentów procesowo-mieszaninowych, które są łatwiejsze w implementacji niż tradycyjna regresja jednorazowa i pozwalają na uzyskanie lepszej jakości kandydatów na optymalną formulację12,13. Szczegóły matematyczne SVEM wykraczają poza zakres niniejszej pracy, a nawet pobieżne streszczenie wykraczające poza odpowiedni przegląd literatury mogłoby odciągnąć uwagę od głównej zalety tej metody w tym zastosowaniu: umożliwia ona praktykom prostą, solidną i dokładną procedurę typu „kliknij i uruchom”.
Przedstawiony schemat postępowania jest zgodny z podejściem Quality by Design (QbD)19 w rozwoju produktów farmaceutycznych20. Wynikiem badania będzie zrozumienie funkcjonalnej zależności łączącej atrybuty materiałów i parametry procesu z krytycznymi atrybutami jakości (CQAs)21. Daniel i wsp.22 omawiają wykorzystanie ram QbD specjalnie w produkcji platform RNA: nasz schemat postępowania mógłby zostać wykorzystany jako narzędzie w ramach tego podejścia.

<table><tbody><tr><td>JMP Pro 17.1</td><td>JMP Statystyczne Odkrycie LLC</td><td></td><td></td></tr></tbody></table>

przepływ pracy w celu optymalizacji formułowania nanocząstek lipidowych (lnp) przy użyciu zaprojektowanych eksperymentów z procesem mieszaniny i samozwalidowanych modeli zespołowych (svem)

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

Prezentujemy podejście do optymalizacji preparatów nanocząsteczek lipidowych (LNP) w stylu Quality by Design (QbD), mające na celu zaoferowanie naukowcom przystępnego przepływu pracy. Nieodłączne ograniczenie w tych badaniach, w których proporcje molowe lipidów jonizowalnych, pomocniczych i PEG muszą sumować się do 100%, wymaga specjalistycznych metod projektowania i analizy, aby dostosować się do tego ograniczenia mieszaniny. Koncentrując się na czynnikach lipidowych i procesowych, które są powszechnie stosowane w optymalizacji projektu LNP, zapewniamy kroki, które pozwalają uniknąć wielu trudności, które tradycyjnie pojawiają się w projektowaniu i analizie eksperymentów z procesem mieszania, stosując projekty wypełniające przestrzeń i wykorzystując niedawno opracowane ramy statystyczne samozwalidowanych modeli zespołowych (SVEM). Oprócz tworzenia optymalnych receptur, przepływ pracy tworzy również graficzne podsumowania dopasowanych modeli statystycznych, które upraszczają interpretację wyników. Nowo zidentyfikowane preparaty kandydujące są oceniane za pomocą serii potwierdzających i opcjonalnie mogą być przeprowadzane w kontekście bardziej kompleksowego badania drugiej fazy.

Podejście to zostało zwalidowane dla obu szeroko sklasyfikowanych typów lipidów: lipidów klasycznych typu MC3 oraz lipidoidów (np. C12-200), pochodzących zazwyczaj z chemii kombinatorycznej. W porównaniu z referencyjną formulacją LNP opracowaną metodą jednego czynnika na raz (OFAT), formulacje kandydujące wygenerowane za pomocą naszego schematu działania często wykazują 4- do 5-krotny wzrost skuteczności w skali logarytmicznej, co pokazano na przykład w odczytach lucyferazy z wątroby mysiej na Rysunk...

Ten protokół zapewnia podejście do optymalizacji receptur w stosunku do czynników badania mieszanego, ciągłego i kategorycznego, które minimalizuje subiektywne wybory w konstrukcji eksperymentalnego projektu. W fazie analizy stosowana jest skuteczna i łatwa w użyciu procedura modelowania dopasowania.

Przepływ pracy w celu optymalizacji formułowania nanocząstek lipidowych (LNP) przy użyciu zaprojektowanych eksperymentów z procesem mieszaniny i samozwalidowanych modeli zespołowych (SVEM)

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

Ten artykuł zawiera przepływ pracy dla naukowców w celu skonstruowania eksperymentalnej tabeli projektowej i przeanalizowania wyników eksperymentalnych dla różnych czynników mieszaniny i procesu, bez konieczności podejmowania żmudnych i potencjalnie niestabilnych decyzji statystycznych. Powstałe w ten sposób modele mogą być wspólnie optymalizowane pod kątem wielu odpowiedzi i wykorzystywane do tworzenia grafik informacyjnych podsumowujących zarówno wspólną powierzchnię odpowiedzi, jak i przewidywania poszczególnych reakcji. Te grafiki są łatwiejsze do zinterpretowania niż oszacowania parametrów z podstawowych modeli statystycznych i są pomocne w reprezentowaniu ustawień czynników, które dają najbardziej pożądane odpowiedzi.Naukowcy zajmujący się formułowaniem lipidów i nanocząsteczek często muszą konstruować nowe receptury dla różnych ładunków lub podczas zmiany lipidów lub ustawień procesu. Zapewniamy solidne podejście do optymalizacji receptur, które minimalizuje ryzyko błędów w konstrukcji projektu i pozwala uniknąć konieczności korzystania z obszernych danych statystycznych i wiedzy podczas analizy. Podsumuj cel eksperymentu w dokumencie z datownikiem.Wymień odpowiedzi, które będą mierzone podczas eksperymentu. Wybierz czynniki, które będą zróżnicowane i te, które będą utrzymywane na stałym poziomie podczas badania. Ustal zakresy dla różnych czynników i odpowiednią dokładność dziesiętną dla każdego z nich.Zdecyduj o wielkości projektu badania, korzystając z minimalnej i maksymalnej heurystyki. Otwórz skok i przejdź na pasku menu do DOI, Special Purpose, Space Filling Design. Wprowadź odpowiedzi udzielone w badaniu.Wprowadź czynniki badania i zakresy. Wprowadź z góry określoną liczbę przebiegów dla projektu. Wygeneruj tabelę obliczeniową wypełniania przestrzeni dla wybranych czynników i wielkości serii.Dodaj kolumnę notatek do tabeli, aby dodawać adnotacje do wszystkich ręcznie utworzonych przebiegów. W razie potrzeby ręcznie włącz przebiegi kontrolne testów porównawczych do tabeli konfiguracji. Należy dołączyć replikację dla jednego z kontrolowanych wskaźników porównawczych.Zaznacz nazwę testu porównawczego w kolumnie notatek i oznacz kolorem wiersze replikacji testu porównawczego w celu łatwej prawidłowej identyfikacji. Zaokrąglić mieszaninę poziomów czynników do odpowiedniej szczegółowości. Skopiuj zaokrąglone wartości i wklej je do oryginalnych kolumn.Usuń nadmiarowe kopie zaokrąglonych kolumn. Po zaokrągleniu czynników lipidowych sprawdź, czy ich suma wynosi 100%Jeśli suma któregokolwiek wiersza nie jest równa jeden, ręcznie dostosuj jeden z czynników mieszaniny, upewniając się, że pozostaje w zakresie współczynników. Usuń kolumnę sumy po dokonaniu korekt.Należy postępować zgodnie z tą samą procedurą, co przy zaokrąglaniu współczynników mieszaniny, aby zaokrąglić czynniki procesu do ich odpowiedniej ziarnistości. Sformatuj kolumny lipidowe tak, aby były wyświetlane jako wartości procentowe z żądaną liczbą miejsc po przecinku. Jeśli dodano przebiegi ręczne, takie jak testy porównawcze, ponownie losowo zlosuj kolejność wierszy tabeli, dodaj nową kolumnę z zaokrąglonymi wartościami.Posortuj tę kolumnę w kolejności rosnącej, klikając prawym przyciskiem myszy jej nagłówek kolumny, a następnie usuń kolumnę. Generuj wykresy trójskładnikowe, aby zwizualizować punkty projektowe nad czynnikami lipidowymi. Zbadaj również rozkład przebiegów w czynnikach procesu.Naukowcy zajmujący się preparatem powinni potwierdzić wykonalność wszystkich przebiegów. Jeśli istnieją niewykonalne przebiegi, uruchom ponownie projekt, biorąc pod uwagę nowo odkryte ograniczenia. Uruchom eksperyment w kolejności podanej w tabeli konfiguracji.Zapisz odczyty w kolumnie wbudowanej w tabelę eksperymentalną. Narysuj odczyty i zbadaj rozkład odpowiedzi. Zbadaj względną odległość między seriami powtórzeń oznaczonymi kolorami, jeśli jeden z nich został uwzględniony, co pozwala na zrozumienie całego procesu i zmienności analitycznej w punkcie odniesienia, w porównaniu ze zmiennością wynikającą ze zmian ustawień czynników w całej przestrzeni czynników.Twórz biegi na działkach trójskładnikowych. Pokoloruj punkty zgodnie z odpowiedziami, aby uzyskać niezależny od modelu widok zachowania w odniesieniu do czynników mieszanki. Kliknij prawym przyciskiem myszy dowolny z wynikowych wykresów, wybierz pozycję Legenda wiersza, a następnie wybierz kolumnę odpowiedzi.Powtórz tę czynność dla każdej odpowiedzi. Zbuduj niezależny model dla każdej odpowiedzi w funkcji badanych czynników. Usuń skrypty modelu, które zostały utworzone przez projekt wypełnienia przestrzeni.Wybierz opcję Analizuj, Dopasuj model. Skonstruuj pełny model zawierający wszystkie potencjalne efekty. Model ten powinien obejmować główne efekty każdego czynnika, oddziaływania dwu- i trójstronne, wyrazy kwadratowe i częściowe sześcienne w czynnikach procesu oraz wyrażenia sześcienne Scheffego dla czynników mieszaniny.Zaznacz wszystkie czynniki badania. Zmień wpis stopnia na trzy z domyślnego wyrażonego na dwa. Następnie wybierz silnię do stopnia.Zaznacz tylko czynniki niebędące mieszanką, a następnie wybierz opcję Makra, Częściowy sześcienny. Zaznacz tylko współczynniki mieszania, a następnie wybierz Makra, Scheffe Cubic. Wyłącz domyślną opcję bez przechwytywania.Określ kolumnę odpowiedzi, zmień Osobowość na Regresja uogólniona. Zapisz ten model w tabeli danych, aby ułatwić jego przywołanie. Wybierz pozycję Zapisz w tabeli danych.Kliknij przycisk Uruchom. Jako metodę szacowania wybierz SVEM Forward Selection (Wybór SVEM do przodu). Rozwiń menu Zaawansowane elementy sterujące Force Terms i odznacz pola odpowiadające głównym efektom mieszanki.Tylko warunek przechwycenia pozostanie zaznaczony. Kliknij przycisk Przejdź.Wykreśl rzeczywiste odpowiedzi według ich przewidywanych odpowiedzi z modelu SVEM, aby zweryfikować rozsądną przewidywalność. Kliknij czerwony trójkąt obok opcji SVEM Forward Selection i wybierz Zapisz kolumny, Zapisz formułę przewidywania.Spowoduje to utworzenie nowej kolumny zawierającej formułę przewidywania w tabeli danych Powtórz kroki tworzenia modelu dla każdej odpowiedzi. Po tym, jak wszystkie odpowiedzi mają kolumny przewidywania zapisane w tabeli danych, wykreśl ślady odpowiedzi dla wszystkich przewidywanych kolumn odpowiedzi przy użyciu funkcji profilera. Wybierz pozycję Graph Profiler i zaznacz wszystkie kolumny przewidywania utworzone w poprzednim kroku dla formuły przewidywania Y, kliknij przycisk OK.Zidentyfikuj potencjalne optymalne receptury. Ustaw funkcję pożądalności dla każdej odpowiedzi, czy powinna być zmaksymalizowana, zminimalizowana czy dopasowana do celu. Wiąże się to również z ustaleniem względnych wag ważności dla każdej odpowiedzi.Aby wygenerować pierwszego kandydata, ustaw wszystkie odpowiedzi podstawowe tak, aby używały wagi ważności 1,0, a wszystkie odpowiedzi pomocnicze używały wagi ważności 0,2. Poinstruuj profilera, aby znalazł optymalne ustawienia czynnika, które maksymalizują funkcję pożądania. Wybierz opcję Optymalizacja Atrakcyjność, Maksymalizuj atrakcyjność.Zapisz optymalne ustawienia czynników wraz z notatką na temat wag ważności użytych dla każdej odpowiedzi. W przypadku czynników kategorycznych, takich jak typ lipidów jonizowalnych, znajdź warunkowo optymalne preparaty dla każdego poziomu czynnika. Najpierw ustaw żądany poziom każdego czynnika w profilerze.Następnie przytrzymaj Control i kliknij lewym przyciskiem myszy wewnątrz wykresu tego czynnika i wybierz Zablokuj ustawienie współczynnika. Ta optymalizacja wyboru i atrakcyjność maksymalizują atrakcyjność znalezienia optimum warunkowego z tym czynnikiem zablokowanym w jego bieżącym ustawieniu. Po zakończeniu odblokuj ustawienia czynnika przed kontynuowaniem.Powtórz proces optymalizacji po zmodyfikowaniu wag ważności odpowiedzi, być może optymalizując tylko odpowiedzi podstawowe lub ustawiając niektóre odpowiedzi drugorzędne tak, aby miały większą lub mniejszą wagę ważności, przy czym ustawiając ich cel na brak. Nagraj nowego optymalnego kandydata. Twórz graficzne podsumowania optymalnych obszarów przestrzeni czynników.Utwórz tabelę danych zawierającą 50 000 wierszy, które są wypełniane losowo wygenerowanymi ustawieniami czynników w dozwolonej przestrzeni czynników, wraz z odpowiadającymi im przewidywanymi wartościami z modeli zredukowanych dla każdej z odpowiedzi, a także wspólną funkcją pożądania. Wybierz opcję Output Random Table (Wyjdź losową tabelę). Zmień wartość liczby przebiegów do symulacji na 50 000 i kliknij przycisk OK.W nowo utworzonej tabeli dodaj nową kolumnę, która oblicza percentyl kolumny atrakcyjności. Użyj tej kolumny percentyla na wykresach trójskładnikowych zamiast kolumny nieprzetworzonej atrakcyjności. Kliknij prawym przyciskiem myszy nagłówek kolumny Atrakcyjność i wybierz pozycję Nowa kolumna formuły, Dystrybucja, Skumulowane prawdopodobieństwo.Wygeneruj następującą grafikę. Wielokrotnie zmieniaj schemat kolorów grafiki w celu wyświetlenia przewidywań dla każdej odpowiedzi oraz dla kolumny skumulowanego prawdopodobieństwa. Skonstruuj wykresy trójskładnikowe dla czterech czynników lipidowych.W tabeli przejdź do wykresu wykresu trójskładnikowego. Wybierz współczynniki mieszaniny dla wykresu X i kliknij przycisk OK. Kliknij prawym przyciskiem myszy jeden z wynikowych wykresów, wybierz pozycję Legenda wiersza, a następnie wybierz przewidywaną kolumnę odpowiedzi.Zmień listę rozwijaną kolorów na Jet. To pokaże najlepsze i najgorsze regiony pod względem czynników lipidowych. Obecny rysunek pokazuje percentyle atrakcyjności stawów, gdy rozważa się maksymalizację potencji z ważnym następstwem 1 i minimalizację rozmiaru z ważnym następstwem 0,2.Podczas uśredniania wszystkich czynników, które nie są pokazane na trójskładnikowej osi wykresu. Wielokrotnie zmieniaj schemat kolorów grafiki, aby wyświetlić przewidywania dla każdej odpowiedzi. Podobnie, wykreśl 50 000 oznaczonych kolorami punktów reprezentujących unikalne formuły w stosunku do czynników procesu niebędących mieszaniną, pojedynczo lub łącznie, i poszukaj relacji między odpowiedziami a czynnikami.Szukaj ustawień współczynników, które powodują, że punkty przynoszą najwyższą atrakcyjność. Rysunek ten pokazuje łączną atrakcyjność wszystkich preparatów, które można utworzyć z każdym z trzech zjonizowanych typów lipidów. Najbardziej pożądane preparaty wykorzystują H102, przy czym H101 zapewnia pewne potencjalnie konkurencyjne alternatywy.Zbadaj różne kombinacje czynników, które mogą prowadzić do różnych reakcji. Zapisz profiler predykcji i jego zapamiętane ustawienia z powrotem w tabeli danych. Przygotuj tabelę z listą optymalnych kandydatów zidentyfikowanych wcześniej.Dołącz kontrolkę testu porównawczego do zestawu kandydujących przebiegów, które zostaną sformułowane i zmierzone. Jeśli okaże się, że którakolwiek z formuł z eksperymentu przynosi pożądane wyniki, być może przewyższając wynik porównawczy, wybierz najlepsze do dodania do tabeli kandydatów i przetestuj ponownie wraz z nowymi preparatami. Kliknij prawym przyciskiem myszy zapamiętaną tabelę ustawień w profilerze i wybierz polecenie Utwórz w tabeli danych.Przeprowadź przebiegi potwierdzające, skonstruuj receptury i zbierz odczyty. Porównaj wydajność proponowanych optymalnych preparatów. Przepływ pracy został wykorzystany w wielu aplikacjach.W większości przypadków zaobserwowaliśmy co najmniej cztero- do pięciokrotną poprawę siły działania, gdy porównamy je z formułami wzorcowymi, które zostały ustalone przy użyciu optymalizacji czynnik po czynniku. Poprawa jest szczególnie zauważalna, gdy odpowiedzi wtórne są ukierunkowane wspólnie. Możliwe jest również wykorzystanie symulacji do pokazania oczekiwanej jakości optymalnych kandydatów wytworzonych w wyniku tej procedury.Korzystając ze znanej funkcji generowania danych dla przykładowego eksperymentu opisanego w artykule, możemy porównać jakość kandydujących optymalnych preparatów uzyskanych z projektów wypełniania przestrzeni i analizy opartej na SVEM stosowanych w tym procesie pracy z tymi uzyskanymi przy użyciu tradycyjnych technik analizy mieszanin. Przy jakości optymalnego sformułowania pokazanej na osi pionowej i liczbie przebiegów w projekcie pokazanej na osi poziomej, niebieskie punkty reprezentują wydajność niezredukowanego pełnego modelu statystycznego w ponad 150 symulacjach. Bursztynowe punkty reprezentują wydajność tradycyjnego wyboru pojedynczego strzału do przodu w oparciu o funkcję celu AICC.Zielone punkty reprezentują wydajność podejścia selekcji do przodu opartego na SVEM stosowanego w tym przepływie pracy. Analiza SVEM pozwala nam na pozyskanie lepszych optymalnych kandydatów i mniejszej liczby runów. Sporadycznie zdarzają się badania o dodatkowej złożoności, które wymagają pomocy statystyka przy projektowaniu i analizie.Statystyk może inaczej podejść do badań, które mają bardzo wysoki priorytet, w których wielkość serii jest bardziej ograniczona niż zwykle, lub występuje duża liczba czynników kategorycznych lub pojedynczy czynnik kategoryczny z dużą liczbą poziomów. Stosowanie projektów optymalnych lub hybrydowych zamiast projektu wypełnienia przestrzeni określonego w przepływie pracy.

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

Research

JoVE Journal

Chemistry

Chemia

Niniejszy protokół opisuje metodę ekstruzji służącą do przygotowania pęcherzyków lipidowych o rozmiarach submikronowych i wysokim stopniu jednorodności. Metoda ta wykorzystuje system z kontrolą ciśnienia i regulowanym przepływem azotu do przygotowania liposomów. W opracowaniu przedstawiono przygotowanie lipidów1,2, ekstruzję liposomów oraz charakterystykę ich rozmiaru.

Metoda ekstruzji z kontrolowanym stałym ciśnieniem do przygotowania nano-rozmiarowych pęcherzyków lipidowych

W tym badaniu opisano metodę syntezy ultra-małych populacji biokompatybilnych nanocząstek, a także kilka metod in vitro, za pomocą których można ocenić ich interakcje komórkowe.

Stałe nanocząstki lipidowe (SLN) do zastosowań wewnątrzkomórkowych

Nanocząsteczki lipidowe są opracowywane przy użyciu mikroprzepływowej platformy mieszania do enkapsulacji mRNA i DNA.

Formułowanie i charakteryzowanie nanocząstek lipidowych do dostarczania genów przy użyciu platformy mieszania mikroprzepływowego

Metody produkcji nanocząsteczek lipidowych (LNP) oparte na mikroprzepływach przyciągnęły uwagę w systemach dostarczania leków (DDS), w tym w dostarczaniu RNA. Protokół ten opisuje procesy wytwarzania, produkcji LNP (LNP ładowanego siRNA) i oceny LNP przy użyciu naszego oryginalnego urządzenia mikroprzepływowego o nazwie iLiNP.

Produkcja nanocząstek lipidowych obciążonych siRNA za pomocą urządzenia mikroprzepływowego

Tutaj przedstawiono protokół tworzenia nanocząsteczek lipidowych (LNP), które zawierają mRNA kodujące lucyferazy świetlika. Te LNP zostały przetestowane pod kątem ich siły działania in vitro w komórkach HepG2 i in vivo u myszy C57BL / 6.

Testowanie skuteczności in vitro i in vivo nanocząstek mRNA-lipidów powstałych metodą mieszania mikroprzepływowego

Szczegółowy protokół syntezy nanocząsteczek lipidowych (LNP) przy użyciu technologii mieszalnika CIJ (Limited Impinging Jet), w tym dwustrumieniowego CIJ i czterostrumieniowego mieszalnika wirowego z wieloma wlotami (μMIVM), jest zademonstrowany. Mieszalniki CIJ generują powtarzalne, turbulentne środowiska mikromieszania, co skutkuje produkcją monodyspersyjnych LNP.

Synteza nanocząstek lipidowych przez przepływ turbulentny w ograniczonych mieszalnikach strumieniowych z uderzeniem

Izolacja i charakterystyka domeny lipidów A lipopolisacharydu (LPS) od bakterii Gram-ujemnych dostarcza wglądu w oparte na powierzchni komórek mechanizmy oporności na antybiotyki, przeżywalność i sprawność bakterii, oraz jak chemicznie zróżnicowane gatunki molekularne lipidów A różnie modulują wrodzoną odpowiedź immunologiczną gospodarza.

Izolacja i charakterystyka chemiczna lipidu A z bakterii Gram-ujemnych

Eksperyment Millera-Ureya był pionierskim badaniem dotyczącym abiotycznej syntezy związków organicznych o możliwym związku z początkami życia. Proste gazy zostały wprowadzone do szklanego aparatu i poddane wyładowaniu elektrycznemu, symulując skutki wyładowań atmosferycznych w pierwotnym układzie atmosfera-ocean Ziemi. Eksperyment prowadzono przez tydzień, po czym pobrane z niego próbki analizowano pod kątem chemicznych cegiełek życia.

Przeprowadzanie eksperymentów Millera-Ureya

Syntetyczne sekwencje białek oparte na motywach konsensusu zazwyczaj ignorują współewoluujące resztki, które implikują zależności interpozycyjne (IPD).  IPD mogą być niezbędne do działania, a projekty, które je ignorują, mogą skutkować nieoptymalnymi wynikami.  Protokół ten wykorzystuje StickWRLD do identyfikacji IPD i pomaga w racjonalnym projektowaniu białek, co skutkuje bardziej wydajnymi wynikami.

Optymalizacja białek syntetycznych: identyfikacja zależności interpozycyjnych wskazujących na strukturalnie i/lub funkcjonalnie powiązane reszty

Tutaj prezentujemy protokół do działania i optymalizacji kolumny Active Flow Technology (AFT) w trybie Curtain flow (CF) dla zwiększenia wydajności separacji.

Kolumna z przepływem kurtyny: optymalizacja wydajności i czułości

Poznaj workflow optymalizacji formułowania nanocząstek lipidowych przy użyciu zaprojektowanych eksperymentów i samozwalidowanych modeli zespołowych. Metoda minimalizuje błędy statystyczne i ułatwia analizę wyników.

Przepływ pracy w celu optymalizacji formułowania nanocząstek lipidowych (LNP) przy użyciu zaprojektowanych eksperymentów z procesem mieszaniny i samozwalidowanych modeli zespołowych (SVEM) (Wideo) | JoVE Journal

Przepływ pracy w celu optymalizacji formułowania nanocząstek lipidowych (LNP) przy użyciu zaprojektowanych eksperymentów z procesem mieszaniny i samozwalidowanych modeli zespołowych (SVEM)

Przeglądaj więcej filmów