Name: Lipid Nanopartikül (LNP) Formülasyon Optimizasyonu için Tasarlanmış Karışım-Proses Deneyleri ve Kendi Kendini Doğrulayan Topluluk Modelleri (SVEM) Kullanarak Bir İş Akışı (Video) | JoVE Journal
Uploaded: 2023-08-18T14:35:00.000+00:00
Duration: 13 min 54 s
Description: Keşfedin, lipid nanopartikül formülasyon optimizasyonu için tasarlanmış karışım-proses deneyleri ve SVEM modelleri kullanarak istatistiksel hataları en aza indiren bir iş akışı. Bu yöntem, çoklu yanıtları birlikte optimize ederek formülasyon bilim insanlarına güvenilir sonuçlar sunar.

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

Makaleyi geliştiren önerileri için editöre ve anonim hakemlere minnettarız.

<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>

Bu iş akışını destekleyen deneysel tasarım stratejisi, yazarlardan birinin mucit olduğu iki patent başvurusunda kullanılmıştır. Ek olarak, Adsurgo, LLC sertifikalı bir JMP Ortağıdır. Bununla birlikte, bu makalenin geliştirilmesi ve yayınlanması, JMP'den herhangi bir mali teşvik, teşvik veya diğer teşvikler olmaksızın gerçekleştirilmiştir.

Karışım-süreç deneylerinin tasarımı ve analizi için modern yazılım, bilim adamlarının lipit nanopartikül formülasyonlarını verimsiz OFAT deneylerinden kaçınan yapılandırılmış bir iş akışında geliştirmelerini mümkün kılar. Son zamanlarda geliştirilen SVEM modelleme yaklaşımı, daha önce bilim insanlarının dikkatini yabancı istatistiksel düşüncelerle dağıtmış olabilecek gizemli regresyon modifikasyonlarının ve model azaltma stratejilerinin çoğunu ortadan kaldırmaktadır. Sonuçlar toplandıktan sonra, SVEM analiz çerçevesi hem...

İn vivo gen dağıtım sistemleri için lipid nanopartikül (LNP) formülasyonları genellikle iyonlaştırılabilir, yardımcı ve PEG lipitleri 1,2,3 kategorilerinden dört bileşen lipit içerir. Bu lipitlerin tek başına veya diğer karışım dışı faktörlerle eşzamanlı olarak çalışılıp çalışılmadığına bakılmaksızın, bu formülasyonlar için yapılan deneyler "karışım" tasarımları gerektirir, çünkü - aday bir formülasyon göz önüne alındığında - lipitlerden herhangi birinin oranının arttırılması veya azaltılması zorunlu olarak diğer üç lipitin oranlarının toplamında karşılık gelen bir azalmaya veya artışa yol açar.
Örnek olarak, şu anda kriter olarak ele alınacak bir set tarifi kullanan bir LNP formülasyonunu optimize ettiğimiz varsayılmaktadır. Amaç, LNP'nin gücünü en üst düzeye çıkarırken, ikincil olarak ortalama parçacık boyutunu en aza indirmeyi amaçlamaktadır. Deneyde değişen çalışma faktörleri, dört kurucu lipitin (iyonize edilebilir, kolesterol, DOPE, PEG) molar oranları, N: P oranı, akış hızı ve iyonize edilebilir lipit tipidir. İyonlaştırılabilir ve yardımcı lipitlerin (kolesterol dahil), bu çizimde% 1-5 arasında değişecek olan PEG'den% 10-60 daha geniş bir molar oran aralığında değişmesine izin verilir. Kıyaslama formülasyonu tarifi, diğer faktörlerin aralıkları ve yuvarlama ayrıntı düzeyleri Ek Dosya 1'de belirtilmiştir. Bu örnek için, bilim adamları tek bir günde 23 çalışma (benzersiz parçacık grupları) gerçekleştirebilirler ve minimum gereksinimleri karşılıyorsa bunu örneklem büyüklüğü olarak kullanmak isterler. Bu denemenin simülasyon sonuçları Ek Dosya 2 ve Ek Dosya 3'te sağlanmıştır.
Rampado ve Peer4, nanopartikül tabanlı ilaç dağıtım sistemlerinin optimizasyonu için tasarlanmış deneyler konusunda yeni bir inceleme makalesi yayınladı. Kauffman ve ark.5, kesirli faktöriyel ve kesin tarama tasarımları kullanarak LNP optimizasyon çalışmalarını ele almıştır6; Bununla birlikte, bu tür tasarımlar, verimsiz "gevşek değişkenler"7 kullanımına başvurmadan bir karışım kısıtlamasına uyum sağlayamaz ve tipik olarak karışım faktörleri mevcut olduğunda kullanılmaz 7,8. Bunun yerine, bir karışım kısıtlaması içerebilen "optimal tasarımlar" geleneksel olarak karışım-proses deneyleri için kullanılır9. Bu tasarımlar, çalışma faktörlerinin kullanıcı tarafından belirlenen bir işlevini hedefler ve yalnızca bu işlev çalışma faktörleri ve yanıtlar arasındaki gerçek ilişkiyi yakalarsa (bir dizi olası duyudan birinde) optimaldir. Metinde "optimal tasarımlar" ve "optimal formülasyon adayları" arasında bir ayrım olduğunu ve ikincisinin istatistiksel bir model tarafından tanımlanan en iyi formülasyonlara atıfta bulunduğunu unutmayın. Optimum tasarımlar, karışım-proses deneyleri için üç ana dezavantajla birlikte gelir. İlk olarak, bilim adamı hedef modeli belirlerken çalışma faktörlerinin etkileşimini öngöremezse, ortaya çıkan model önyargılı olacak ve daha düşük aday formülasyonlar üretebilecektir. İkincisi, optimum tasarımlar, koşuların çoğunu faktör alanının dış sınırına yerleştirir. LNP çalışmalarında, parçacıklar lipit veya proses ayarlarının herhangi bir uç noktasında doğru şekilde oluşmazsa, bu çok sayıda kayıp çalışmaya yol açabilir. Üçüncüsü, bilim adamları genellikle tepki yüzeyinin modelden bağımsız bir duygusunu kazanmak ve süreci doğrudan faktör uzayının daha önce keşfedilmemiş bölgelerinde gözlemlemek için faktör uzayının iç kısmında deneysel çalışmalar yapmayı tercih ederler.
Alternatif bir tasarım ilkesi, (karışım kısıtlamalı) faktör alanının yaklaşık olarak eşit bir kapsamını boşluk doldurma tasarımı10 ile hedeflemektir. Bu tasarımlar, optimal tasarımlara göre bazı deneysel verimlilikleri feda eder9 (tüm faktör alanının geçerli formülasyonlara yol açtığını varsayarsak), ancak bu uygulamada yararlı olan bir takasta çeşitli faydalar sunar. Boşluk doldurma tasarımı, tepki yüzeyinin yapısı hakkında herhangi bir a priori varsayımda bulunmaz; Bu, çalışma faktörleri arasındaki beklenmedik ilişkileri yakalama esnekliği sağlar. Bu aynı zamanda tasarım oluşturmayı da kolaylaştırır, çünkü istenen çalıştırma boyutu ayarlanırken hangi regresyon terimlerinin ekleneceği veya kaldırılacağı konusunda karar vermeyi gerektirmez. Bazı tasarım noktaları (tarifler) başarısız formülasyonlara yol açtığında, boşluk doldurma tasarımları, çalışma faktörleri üzerindeki başarısızlık sınırını modellemeyi mümkün kılarken, aynı zamanda başarılı faktör kombinasyonları üzerindeki çalışma yanıtları için istatistiksel modelleri de destekler. Son olarak, faktör uzayının iç kapsama alanı, tepki yüzeyinin modelden bağımsız grafiksel olarak araştırılmasına izin verir.
Bir karışım-işlem deneyinin karışım faktörü alt alanını görselleştirmek için, özel üçgen "üçlü grafikler" kullanılır. Şekil 1 bu kullanımı motive eder: üç bileşenin her birinin 0 ila 1 arasında değişmesine izin verilen noktalar küpünde, bileşenlerin toplamının 1'e eşit olduğu bir kısıtlamayı karşılayan noktalar kırmızı renkle vurgulanır. Üç bileşen üzerindeki karışım kısıtlaması, uygulanabilir faktör alanını bir üçgene indirger. Dört karışım bileşeni içeren LNP uygulamalarında, diğer lipitlerin toplamını temsil eden bir "Diğerleri" eksenine karşı bir seferde iki lipit çizerek faktör uzayını temsil etmek için altı farklı üçlü grafik üretiyoruz.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> Resim 1: Üçgen faktör bölgeleri. Küp içindeki boşluk doldurma grafiğinde, küçük gri noktalar karışım kısıtlamasıyla tutarsız formülasyonları temsil eder. Daha büyük kırmızı noktalar, küpün içine yazılmış bir üçgen üzerinde bulunur ve karışım kısıtlamasının karşılandığı formülasyonları temsil eder. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>
Lipid karışım faktörlerine ek olarak, genellikle N: P oranı, tampon konsantrasyonu veya akış hızı gibi bir veya daha fazla sürekli proses faktörü vardır. İyonlaştırılabilir lipit tipi, yardımcı lipit tipi veya tampon tipi gibi kategorik faktörler mevcut olabilir. Amaç, bir miktar potens ölçüsünü en üst düzeye çıkaran ve / veya partikül boyutunu ve PDI'yı (polidispersite indeksi) en aza indirmek, yüzde kapsüllemeyi en üst düzeye çıkarmak ve vücut ağırlığı kaybı gibi yan etkileri en aza indirmek gibi fizyokimyasal özellikleri geliştiren bir formülasyon (lipitlerin ve proses faktörleri için ayarların bir karışımı) bulmaktır. in vivo çalışmalar. Makul bir kıyaslama tarifinden başlarken bile, genetik yükteki bir değişiklik göz önüne alındığında veya proses faktörlerindeki veya lipit tiplerindeki değişiklikler göz önüne alındığında yeniden optimizasyona ilgi duyulabilir.
Cornell7 , karışım ve karışım-proses deneylerinin istatistiksel yönleri hakkında kesin bir metin sunarken, Myers ve ark.9 , optimizasyon için en alakalı karışım tasarımı ve analiz konularının mükemmel bir özetini sunmaktadır. Bununla birlikte, bu çalışmalar bilim adamlarını istatistiksel ayrıntılarla ve özel terminolojiyle aşırı yükleyebilir. Deneylerin tasarımı ve analizi için modern yazılım, ilgili teoriye başvurmak zorunda kalmadan çoğu LNP optimizasyon problemini yeterince destekleyecek sağlam bir çözüm sunar. Daha karmaşık veya yüksek öncelikli çalışmalar hala bir istatistikçi ile işbirliğinden faydalanacak ve alan doldurma tasarımları yerine optimal kullanabilse de, amacımız bilim adamlarının konfor seviyesini iyileştirmek ve LNP formülasyonlarının optimizasyonunu teşvik etmektir. verimsiz bir kerede bir faktörlü (OFAT) test11 veya sadece spesifikasyonları karşılayan ilk formülasyona razı olmadan.
Bu makalede, genel bir LNP formülasyon problemini optimize etmek için istatistiksel yazılımı kullanan, tasarım ve analiz sorunlarını karşılaşacakları sırayla ele alan bir iş akışı sunulmaktadır. Aslında, yöntem genel optimizasyon problemleri için işe yarayacaktır ve LNP'lerle sınırlı değildir. Yol boyunca, ortaya çıkan birkaç yaygın soru ele alınmakta ve deneyime ve simülasyon sonuçlarına dayanan öneriler sağlanmaktadır12. Yakın zamanda geliştirilen kendi kendini doğrulayan topluluk modelleri (SVEM)13 çerçevesi, karışım-proses deneylerinden elde edilen sonuçları analiz etmek için aksi takdirde kırılgan olan yaklaşımı büyük ölçüde geliştirmiştir ve bu yaklaşımı formülasyon optimizasyonu için basitleştirilmiş bir strateji sağlamak için kullanıyoruz. İş akışı, diğer yazılım paketleri kullanılarak takip edilebilecek genel bir şekilde inşa edilmiş olsa da, JMP 17 Pro, karışım-süreç deneylerinin aksi takdirde gizemli analizini basitleştirmek için gerekli olduğunu bulduğumuz grafiksel özet araçlarıyla birlikte SVEM'i sunma konusunda benzersizdir. Sonuç olarak, JMP'ye özgü talimatlar da protokolde sağlanmaktadır.
SVEM, geleneksel yaklaşımla aynı doğrusal regresyon modeli temelini kullanır, ancak ileri seçim veya cezalı seçim (Lasso) temel yaklaşımını kullanarak aday etkilerin "tam modeline" uyması gereken sıkıcı değişikliklerden kaçınmamızı sağlar. Ek olarak, SVEM, verilerde görünen gürültüyü (proses artı analitik varyans) dahil etme potansiyelini en aza indiren gelişmiş bir "azaltılmış model" uyumu sağlar. 13,14,15,16,17,18 modelindeki her bir çalıştırmanın göreceli öneminin tekrar tekrar ağırlıklandırılmasından kaynaklanan tahmin edilen modellerin ortalamasını alarak çalışır. SVEM, karışım-proses deneylerinin modellenmesi için hem geleneksel tek atışlı regresyondan daha kolay uygulanabilir hem de daha kaliteli optimal formülasyon adayları12,13 sağlayan bir çerçeve sağlar. SVEM'in matematiksel detayları bu makalenin kapsamı dışındadır ve ilgili literatür taramasının ötesinde üstünkörü bir özet bile bu uygulamadaki ana avantajından uzaklaşacaktır: uygulayıcılar için basit, sağlam ve doğru bir tıkla-çalıştır prosedürüne izin verir.
Sunulan iş akışı, farmasötik geliştirmeye yönelik Tasarıma Göre Kalite (QbD)19 yaklaşımı20 ile tutarlıdır. Çalışmanın sonucu, malzeme niteliklerini ve proses parametrelerini kritik kalite niteliklerine (CQA'lar) bağlayan fonksiyonel ilişkinin anlaşılması olacaktır21. Daniel ve ark.22 , özellikle RNA platformu üretimi için bir QbD çerçevesi kullanmayı tartışıyor: iş akışımız bu çerçevede bir araç olarak kullanılabilir.

<table><tbody><tr><td>JMP Pro 17.1</td><td>JMP İstatistiksel Keşif LLC</td><td></td><td></td></tr></tbody></table>

lipid nanopartikül (lnp) formülasyon optimizasyonu için tasarlanmış karışım-proses deneyleri ve kendi kendini doğrulayan topluluk modelleri (svem) kullanarak bir İş akışı

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

Bilim insanlarına erişilebilir bir iş akışı sunmayı amaçlayan lipid nanopartikül (LNP) formülasyonlarını optimize etmek için Tasarımla Kalite (QbD) tarzı bir yaklaşım sunuyoruz. İyonlaştırılabilir, yardımcı ve PEG lipitlerinin molar oranlarının% 100'e kadar eklenmesi gereken bu çalışmalardaki doğal kısıtlama, bu karışım kısıtlamasını karşılamak için özel tasarım ve analiz yöntemleri gerektirir. LNP tasarım optimizasyonunda yaygın olarak kullanılan lipit ve proses faktörlerine odaklanarak, boşluk doldurma tasarımlarını kullanarak ve yakın zamanda geliştirilen kendi kendini doğrulayan topluluk modellerinin (SVEM) istatistiksel çerçevesini kullanarak, karışım-proses deneylerinin tasarımında ve analizinde geleneksel olarak ortaya çıkan zorlukların çoğundan kaçınan adımlar sunuyoruz. Aday optimal formülasyonlar üretmenin yanı sıra, iş akışı aynı zamanda sonuçların yorumlanmasını basitleştiren uygun istatistiksel modellerin grafiksel özetlerini de oluşturur. Yeni belirlenen aday formülasyonlar onay çalışmaları ile değerlendirilir ve isteğe bağlı olarak daha kapsamlı bir ikinci aşama çalışması bağlamında gerçekleştirilebilir.

Bu yaklaşım, geniş olarak sınıflandırılmış lipit tiplerinin her ikisinde de doğrulanmıştır: MC3 benzeri klasik lipitler ve genellikle kombinatoryal kimyadan türetilen lipitoidler (örneğin, C12-200). Bir Seferde Bir Faktör (OFAT) yöntemi kullanılarak geliştirilen bir karşılaştırma LNP formülasyonu ile karşılaştırıldığında, iş akışımız aracılığıyla oluşturulan aday formülasyonlar, Şekil 18'deki fare karaciğer lusiferaz okumalarında gösterildiği gibi, logaritmik bir ölçekte sıklıkla 4 ila 5 kat...

Bu protokol, deneysel tasarım yapımında öznel seçimleri en aza indiren karışım, sürekli ve kategorik çalışma faktörleri üzerinden formülasyon optimizasyonuna bir yaklaşım sağlar. Analiz aşaması için etkili ve kullanımı kolay bir modelleme montaj prosedürü kullanılır.

Lipid Nanopartikül (LNP) Formülasyon Optimizasyonu için Tasarlanmış Karışım-Proses Deneyleri ve Kendi Kendini Doğrulayan Topluluk Modelleri (SVEM) Kullanarak Bir İş Akışı

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

Bu makale, bilim insanlarının deneysel bir tasarım tablosu oluşturmaları ve sıkıcı ve potansiyel olarak uçucu istatistiksel kararlar gerektirmeden çeşitli karışım ve proses faktörleri üzerinden deneysel sonuçları analiz etmeleri için bir iş akışı sunmaktadır. Elde edilen modeller, birden fazla yanıt üzerinde ortaklaşa optimize edilebilir ve hem ortak yanıt yüzeyini hem de bireysel yanıtların tahminlerini özetlemek için bilgilendirici grafikler üretmek için kullanılabilir. Bu grafiklerin yorumlanması, temel istatistiksel modellerden alınan parametre tahminlerinden daha kolaydır ve en çok istenen yanıtları üreten faktör ayarlarını temsil etmede yardımcı olur.Lipid ve nanopartikül formülasyonu bilim adamlarının sıklıkla farklı yükler için veya lipitleri veya proses ayarlarını değiştirirken yeni tarifler oluşturmaları gerekir. Tasarım yapımında hata potansiyelini en aza indiren ve analiz sırasında kapsamlı istatistik ve bilgi ihtiyacını ortadan kaldıran formülasyon optimizasyonuna sağlam bir yaklaşım sunuyoruz. Denemenin amacını tarih damgalı bir belgede özetleyin.Deneme sırasında ölçülecek yanıtları listeleyin. Çalışma sırasında değişecek ve sabit tutulacak faktörleri seçin. Değişen faktörler için aralıkları ve her biri için ilgili ondalık hassasiyeti belirleyin.Minimum ve maksimum buluşsal yöntemleri kullanarak etüt tasarım boyutuna karar verin. Atlamayı açın ve menü çubuğunu DOI, Özel Amaçlı, Boşluk Doldurma Tasarımı'na gidin. Çalışma yanıtlarını girin.Etüt faktörlerini ve aralıkları girin. Tasarım için önceden belirlenmiş çalıştırma sayısını girin. Seçilen faktörler ve çalışma boyutu için boşluk doldurma tasarım tablosunu oluşturun.El ile oluşturulan çalıştırmalara açıklama eklemek için tabloya bir notlar sütunu ekleyin. Uygulanabilirse, kıyaslama kontrolü çalıştırmalarını tasarım tablosuna manuel olarak dahil edin. Denetlenen karşılaştırma testlerinden biri için bir çoğaltma ekleyin.Notlar sütununda karşılaştırma adını işaretleyin ve kolay doğru tanımlama için karşılaştırma çoğaltma satırlarını renk koduyla kodlayın. Faktör seviyelerinin karışımını uygun granülerliğe yuvarlayın. Yuvarlatılmış değerleri kopyalayın ve orijinal sütunlara yapıştırın.Yuvarlatılmış sütunların gereksiz kopyalarını silin. Lipit faktörlerini yuvarladıktan sonra, toplamlarının %100'e eşit olduğunu doğrulayınHerhangi bir satır toplamı birine eşit değilse, karışım faktörlerinden birini manuel olarak ayarlayarak faktör aralığında kalmasını sağlayın. Ayarlamalar yapıldıktan sonra toplam sütununu silin.Proses faktörlerini ilgili taneciklerine yuvarlamak için karışım faktörlerini yuvarlamak için kullanılan prosedürü izleyin. Lipid sütunlarını, istenen ondalık sayı ile yüzde olarak görünecek şekilde biçimlendirin. Karşılaştırma testleri gibi el ile çalıştırmalar eklediyseniz, tablo satırı sırasını yeniden rasgele hale getirin, yuvarlatılmış değerlere sahip yeni bir sütun ekleyin.Bu sütunu, sütun başlığını sağ tıklatarak artan düzende sıralayın ve ardından sütunu silin. Tasarım noktalarını lipit faktörleri üzerinde görselleştirmek için üçlü grafikler oluşturun. Ayrıca işlem faktörleri üzerindeki çalıştırma dağılımını da inceleyin.Formülasyon bilim adamları tüm çalışmaların fizibilitesini onaylamalıdır. Mümkün olmayan çalıştırmalar varsa, yeni keşfedilen kısıtlamaları göz önünde bulundurarak tasarımı yeniden başlatın. Denemeyi tasarım tablosu tarafından sağlanan sırada çalıştırın.Okumaları deneysel tabloda yerleşik olarak bulunan sütuna kaydedin. Okumaları çizin ve yanıtların dağılımlarını inceleyin. Renk kodlu çoğaltma çalıştırmaları arasındaki göreli mesafeyi inceleyin, eğer biri dahil edilmişse, bu, tüm faktör uzayı boyunca faktör ayarlarındaki değişikliklerden kaynaklanan değişkenliğe kıyasla, kıyaslamadaki toplam sürecin ve analitik varyasyonun anlaşılmasını sağlar.Koşuları üçlü bir arsa üzerinde oluşturun. Karışım faktörleri üzerindeki davranışın modelden bağımsız bir görünümünü elde etmek için noktaları yanıtlara göre renklendirin. Ortaya çıkan grafiklerden herhangi birine sağ tıklayın, Satır Göstergesi'ni seçin ve ardından yanıt sütununu seçin.Her yanıt için bunu tekrarlayın. Çalışma faktörlerinin bir fonksiyonu olarak her yanıt için bağımsız bir model oluşturun. Alan doldurma tasarımı tarafından oluşturulan model komut dosyalarını silin.Analiz Et, Modeli Sığdır'ı seçin. Tüm aday efektlerini içeren tam bir model oluşturun. Bu model, her bir faktörün ana etkilerini, iki ve üç yönlü etkileşimleri, proses faktörlerinde ikinci dereceden ve kısmi kübik terimleri ve karışım faktörleri için Scheffe kübik terimlerini içermelidir.Tüm etüt faktörlerini seçin. Derece girişini varsayılan değer olan ikiden üç olarak değiştirin. Ardından Derece için bir Faktöriyel seçin.Yalnızca karışım dışı faktörleri seçin ve ardından Makrolar, Kısmi Kübik'i seçin. Yalnızca karışım faktörlerini seçin ve ardından Makrolar, Scheffe Cubic'i seçin. Varsayılan müdahale yok seçeneğini devre dışı bırakın.Yanıt sütununu belirtin, Kişilik'i Genelleştirilmiş Regresyon olarak değiştirin. Kolay geri çağırma için bu model kurulumunu veri tablosuna kaydedin. Veri Tablosuna Kaydet'i seçin.Çalıştır'ı tıklatın. Tahmin yöntemi için SVEM İleri Seçimi'ni seçin. Gelişmiş Kontroller Terimleri zorlama menülerini genişletin ve karışımın ana efektlerine karşılık gelen kutuların işaretini kaldırın.Yalnızca Intercept terimi işaretli kalır. Makul bir öngörülebilirliği doğrulamak için gerçek yanıtları SVEM modelinden tahmin edilen yanıtlarına göre çiz'i tıklatın. SVEM İleri Seçim'in yanındaki kırmızı üçgene tıklayın ve Sütunları Kaydet, Tahmin Formülünü Kaydet'i seçin.Bu, veri tablosundaki tahmin formülünü içeren yeni bir sütun oluşturur Her yanıt için model oluşturma adımlarını yineleyin. Tüm yanıtların veri tablosuna kaydedilmiş tahmin sütunları olduktan sonra, bir profil oluşturucu işlevi kullanarak tahmin edilen yanıt sütunlarının tümü için yanıt izlemelerini çizin. Grafik Profil Oluşturucusu'nu seçin ve Y tahmin formülü için önceki adımda oluşturulan tüm tahmin sütunlarını seçin, Tamam'ı tıklatın.Aday optimal formülasyonları belirleyin. Her yanıt için istenebilirlik işlevini, en üst düzeye çıkarılması, en aza indirilmesi veya bir hedefle eşleştirilmesi gerekip gerekmediğini ayarlayın. Bu aynı zamanda her yanıt için göreceli önem ağırlıklarının ayarlanmasını da gerektirir.İlk adayı oluşturmak için, birincil yanıtları önem ağırlığı 1,0 kullanacak şekilde ve ikincil yanıtları önem ağırlığı 0,2 kullanacak şekilde ayarlayın. Profil oluşturucuya, istenebilirlik işlevini en üst düzeye çıkaran en uygun faktör ayarlarını bulmasını söyleyin. Optimizasyon Arzu Edilebilirliği, İstenebilirliği En Üst Düzeye Çıkar'ı seçin.Her yanıt için kullanılan önem ağırlıkları hakkında bir notla birlikte en uygun faktör ayarlarını kaydedin. İyonlaştırılabilir lipit tipi gibi kategorik faktörler için, her faktör seviyesi için koşullu olarak en uygun formülasyonları bulun. İlk olarak, profil oluşturucudaki her faktörün istenen düzeyini ayarlayın.Ardından kontrol tuşunu basılı tutun ve bu faktörün grafiğinin içine sol tıklayın ve Faktörü Kilitle Ayarı'nı seçin. Bu seçme optimizasyonu ve arzu edilebilirliği, mevcut ayarında kilitli olan bu faktörle koşullu optimuma ulaşma arzusunu en üst düzeye çıkarır. İşiniz bittiğinde, devam etmeden önce faktör ayarlarının kilidini açın.Yanıtın önem ağırlıklarını değiştirdikten sonra, belki de yalnızca birincil yanıtları optimize ettikten veya ikincil yanıtların bazılarını az ya da çok önem ağırlığına sahip olacak şekilde ayarladıktan sonra optimizasyon işlemini tekrarlayın, böylece hedeflerini hiçbiri olarak ayarlayın. Yeni optimum adayı kaydedin. Faktör uzayının en uygun bölgelerinin grafiksel özetlerini oluşturun.İzin verilen faktör alanı içinde rasgele oluşturulan faktör ayarlarıyla doldurulmuş 50.000 satırın yanı sıra, yanıtların her biri için indirgenmiş modellerden karşılık gelen tahmin edilen değerlerin yanı sıra ortak istenebilirlik işlevini içeren bir veri tablosu oluşturun. Çıktı Rasgele Tablosu'nu seçin. Benzetimi yapılacak kaç çalıştırma değerinin değerini 50.000 olarak değiştirin ve Tamam'ı tıklatın.Yeni oluşturulan tabloda, arzu edilebilirlik sütununun yüzdelik dilimini hesaplayan yeni bir sütun ekleyin. Bu yüzdelik dilim sütununu, ham arzu edilebilirlik sütunu yerine üçlü grafiklerde kullanın. İstenebilirlik sütun başlığına sağ tıklayın ve Yeni Formül Sütunu, Dağılım, Kümülatif Olasılık'ı seçin.Aşağıdaki grafikleri oluşturun. Her yanıtın ve kümülatif olasılık sütununun tahminlerini görüntülemek için grafiklerin renk düzenini art arda değiştirin. Dört lipit faktörü için üçlü grafikler oluşturun.Tabloda, üçlü grafiğin grafiğine gidin. X çizimi için karışım faktörlerini seçin ve Tamam'ı tıklatın. Elde edilen grafiklerden birine sağ tıklayın, Satır Göstergesi'ni seçin ve ardından tahmin edilen yanıt sütununu seçin.Renkler açılır menüsünü Jet olarak değiştirin. Bu, lipit faktörlerine göre en iyi ve en kötü performans gösteren bölgeleri gösterecektir. Mevcut şekil, 1'in önemli devamı ile potansiyeli en üst düzeye çıkarmayı ve 0.2'nin önemli devamı ile boyutu en aza indirmeyi düşünürken eklem arzu edilebilirliğinin yüzdeliklerini göstermektedir.Üçlü arsa ekseninde gösterilmeyen herhangi bir faktörün ortalamasını alırken. Her yanıtın tahminlerini görüntülemek için grafiklerin renk düzenini art arda değiştirin. Benzer şekilde, karışımsız proses faktörlerine karşı benzersiz formülasyonları temsil eden 50.000 renk kodlu noktayı tekil veya ortaklaşa çizin ve yanıtlar ile faktörler arasındaki ilişkileri arayın.En yüksek arzu edilebilirlikte puan verimi üreten faktör ayarlarını arayın. Bu şekil, üç iyonize lipit tipinin her biri ile oluşturulabilecek tüm formülasyonların ortak arzu edilebilirliğini göstermektedir. En çok arzu edilen formülasyonlar H102'yi kullanır ve H101 potansiyel olarak rekabetçi alternatifler sunar.Farklı yanıtlara yol açabilecek farklı faktör kombinasyonlarını keşfedin. Tahmin profil oluşturucusunu ve hatırlanan ayarlarını veri tablosuna geri kaydedin. Daha önce belirlenen en uygun adayları listeleyen bir tablo hazırlayın.Karşılaştırma denetimini, formüle edilecek ve ölçülecek aday çalıştırma kümesine dahil edin. Deneyden elde edilen formülasyonlardan herhangi birinin, belki de kıyaslamadan daha iyi performans göstererek istenen sonuçları verdiği tespit edilirse, aday tabloya eklemek için en iyisini seçin ve yeni formülasyonlarla birlikte yeniden test edin. Profil oluşturucuda hatırlanan ayarlar tablosuna sağ tıklayın ve Veri Tablosuna Dönüştür'ü seçin.Onay işlemlerini gerçekleştirin, formülasyonları oluşturun ve okumaları toplayın. Aday optimal formülasyonların performansını karşılaştırın. İş akışı birçok uygulamada kullanılmıştır.Çoğu durumda, optimizasyonda bir seferde bir faktör kullanılarak ayarlanan kıyaslama formülasyonlarıyla karşılaştırdığımızda potansiyelde en az dört ila beş kat iyileşme gözlemledik. İyileştirmeler özellikle ikincil yanıtlar ortaklaşa hedeflendiğinde fark edilir. Bu prosedürle üretilen optimal adayların beklenen kalitesini göstermek için simülasyon kullanmak da mümkündür.Makalede açıklanan örnek deney için bilinen bir veri üretme fonksiyonu kullanarak, bu iş akışında kullanılan boşluk doldurma tasarımlarından ve SVEM bazlı analizlerden elde edilen aday optimal formülasyonların kalitesini, geleneksel karışım analizi tekniklerinden elde edilenlerle karşılaştırabiliriz. Dikey eksende gösterilen optimum formülasyonun kalitesi ve yatay eksende gösterilen tasarımdaki çalışma sayısı ile mavi noktalar, 150 simülasyon üzerinde indirgenmemiş tam istatistiksel modelin performansını temsil eder. Kehribar renkli noktalar, AICC objektif fonksiyonuna dayanan geleneksel tek atış ileri seçiminin performansını temsil eder.Yeşil noktalar, bu iş akışında kullanılan SVEM tabanlı ileriye dönük seçim yaklaşımının performansını temsil eder. SVEM analizi, daha iyi optimal adaylar ve daha az koşu elde etmemizi sağlar. Tasarım ve analiz için bir istatistikçinin yardımını gerektiren ek karmaşıklığa sahip ara sıra çalışmalar olacaktır.Son derece yüksek önceliğe sahip, çalışma boyutunun normalden daha sınırlı olduğu veya çok sayıda kategorik faktörün bulunduğu veya çok sayıda seviyeye sahip tek bir kategorik faktörün bulunduğu çalışmalara bir istatistikçi tarafından farklı şekilde yaklaşılabilir. İş akışında belirtilen alan doldurma tasarımı yerine en uygun veya hibrit tasarımları kullanma.

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

Research

JoVE Journal

Chemistry

Kimya

Bu protokol, homojen bir yüksek derecede mikronaltı boyutlarda lipid kesecikler hazırlanması için bir çekme yöntemi açıklar. Bu yöntem, lipozom preparatı için kontrollü bir nitrojen akışı hızları ile bir basınç kontrol sistemi kullanır. Lipid...

Nano ölçekli Lipid Vesiküller Hazırlanması için Sabit Basınç kontrollü Ekstrüzyon Yöntemi

Bu çalışmada, biyouyumlu nanopartiküllerin ultra küçük popülasyonlarını sentezlemek için bir yöntemin yanı sıra, hücresel etkileşimlerini değerlendirmek için birkaç in vitro yöntem tanımlanmıştır.

Katı Lipit nanopartiküller (SLNs) Hücre içi Hedefleme için başvurular

Lipid nanopartikülleri mRNA ve DNA kapsülleme için mikroakışkan karıştırma platformu yaklaşımı kullanılarak geliştirilmiştir.

Mikroakışkan Karıştırma Platformu Kullanarak Gen Teslimatı için Lipid Nanopartiküllerinin Formülei ve Karakterizasyonsu

RNA teslimatı da dahil olmak üzere ilaç dağıtım sistemlerinde (DDS) mikroakışkan bazlı lipid nanopartikül (LNP) üretim yöntemleri dikkat çekmiştir. Bu protokol, iLiNP adlı orijinal mikroakışkan cihazımızı kullanarak imalat, LNP (siRNA yüklü LNP) üretimi ve LNP değerlendirme süreçlerini açıklar.

Mikroakışkan Cihaz Kullanılarak siRNA Yüklü Lipid Nanopartiküllerinin Üretimi

Burada, ateşböceği lusiferazını kodlayan mRNA'yı kapsülleyen lipid nanopartiküllerini (LNP'ler) formüle etmek için bir protokol sunulmaktadır. Bu LNP'ler, HepG2 hücrelerinde in vitro ve C57BL / 6 farelerinde in vivo potansiyelleri açısından test edildi.

Mikroakışkan Karıştırma ile Formüle Edilen mRNA-Lipid Nanopartiküllerin In Vitro ve In Vivo Etkinliğinin Test Edilmesi

İki jetli bir CIJ ve dört jetli çok girişli girdap karıştırıcı (μMIVM) dahil olmak üzere sınırlı çarpma jeti (CIJ) karıştırıcı teknolojileri kullanılarak lipid nanopartiküllerinin (LNP'ler) sentezlenmesi için ayrıntılı bir protokol gösterilmiştir. CIJ mikserleri, tekrarlanabilir, türbülanslı mikro karıştırma ortamları oluşturur ve bu da monodispers LNP'lerin üretilmesiyle sonuçlanır.

Lipid Nanopartiküllerinin Kapalı Çarpmalı Jet Karıştırıcılarda Türbülanslı Akışla Sentezlenmesi

Gram-negatif bakterilerin lipopolisakarit (LPS) lipid A alanı izolasyonu ve karakterize edilmesi, hücre yüzeyi antibiyotik direnç mekanizmaları göre, bakterinin yaşamda kalması ve spor ve nasıl kimyasal olarak çeşitli lipit A moleküler türün farklı olarak ana doğal immün yanıtları modüle fikir verir.

Gram-negatif bakterilerin izolasyonu ve Lipid A kimyasal karakterizasyonu

Miller-Urey deneyinin, yaşamın kökeni mümkün alaka ile organik bileşiklerin abiyotik sentezi konusunda öncü bir çalışma oldu. Basit gazlar, bir cam aygıt içine verilmekte ve ilkel dünyanın atmosferi-okyanus sisteminde yıldırım etkilerini taklit eden, bir elektrik deşarjı tabi tutuldu. Deney ondan toplanan numuneler yaşam kimyasal yapı taşları için analiz edildi, daha sonra, bir hafta boyunca gerçekleştirilmiştir.

Miller-Urey deneylerini

Konsensüs motiflerine dayanan sentetik protein dizileri, tipik olarak, interpozisyonel bağımlılıkları (IPD'ler) ima eden birlikte gelişen kalıntıları görmezden gelir.  IPD'ler aktivite için gerekli olabilir ve bunları göz ardı eden tasarımlar optimal olmayan sonuçlara neden olabilir.  Bu protokol, IPD'leri tanımlamak ve rasyonel protein tasarımını bilgilendirmeye yardımcı olmak için StickWRLD'yi kullanır ve bu da daha verimli sonuçlar sağlar.

Sentetik Proteinlerin Optimizasyon: interpozisyonel bağımlılıklar belirlenmesi Yapısal belirten ve / veya Fonksiyonel Bağlantılı tortular

Burada, gelişmiş ayırma performansı için Perde akışı (CF) modunda Aktif Akış Teknolojisi (AFT) sütununun çalışması ve optimizasyonu için bir protokol sunuyoruz.

Akış Sütun Perde: Verimliliği ve Duyarlılık Optimizasyonu

Keşfedin, lipid nanopartikül formülasyon optimizasyonu için tasarlanmış karışım-proses deneyleri ve SVEM modelleri kullanarak istatistiksel hataları en aza indiren bir iş akışı. Bu yöntem, çoklu yanıtları birlikte optimize ederek formülasyon bilim insanlarına güvenilir sonuçlar sunar.

Lipid Nanopartikül (LNP) Formülasyon Optimizasyonu için Tasarlanmış Karışım-Proses Deneyleri ve Kendi Kendini Doğrulayan Topluluk Modelleri (SVEM) Kullanarak Bir İş Akışı (Video) | JoVE Journal

Lipid Nanopartikül (LNP) Formülasyon Optimizasyonu için Tasarlanmış Karışım-Proses Deneyleri ve Kendi Kendini Doğrulayan Topluluk Modelleri (SVEM) Kullanarak Bir İş Akışı

Daha fazla video keşfet