Name: a workflow for lipid nanoparticle (lnp) formulation optimization using designed mixture-process experiments and self-validated ensemble models (svem)
Uploaded: 2023-08-18T14:35:00
Description: Watch this Scientific Journal Video about A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM at JoVE.com

نحن ممتنون للمحرر والحكام المجهولين على الاقتراحات التي حسنت المقالة.

تم إجراء التجربة الموضحة في قسم النتائج التمثيلية وفقا لدليل رعاية واستخدام المختبر وتم تنفيذ الإجراءات وفقا للإرشادات التي وضعتها اللجنة المؤسسية لرعاية واستخدام الحيوانات (IACUC). تم الحصول على إناث الفئران Balb / C البالغة من العمر 6-8 أسابيع تجاريا. تلقت الحيوانات طعاما قياسيا وماء وتم...

<ol>
	<li>Dolgin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Better+lipids+to+power+next+generation+of+mRNA+vaccines.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Lipid+nanoparticles+for+mRNA+delivery.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+landscape+of+mRNA+nanomedicine.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Design+of+experiments+in+the+optimization+of+nanoparticle-based+drug+delivery+systems.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Optimization+of+lipid+nanoparticle+formulations+for+mRNA+delivery+in+vivo+with+fractional+factorial+and+definitive+screening+designs.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+class+of+three-level+designs+for+definitive+screening+in+the+presence+of+second-order+effects.">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://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Experiments with Mixtures: Designs, Models, and the Analysis of Mixture Data. Wiley Series in Probability and Statistics. , (2002).</li><li>Jones, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Proper+and+improper+use+of+definitive+screening+designs+(DSDs).">Proper and improper use of definitive screening designs (DSDs).</a> JMP user Community. , (2016).</li><li>Myers, R., Montgomery, D., Anderson-Cook, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Response Surface Methodology. , (2016).</li><li>Lekivetz, R., Jones, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+flexible+space-filling+designs+for+nonrectangular+regions.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=One-factor-at-a-time+versus+designed+experiments.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=JMP+Pro+17+remedies+for+practical+struggles+with+mixture+experiments.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Self-validated+ensemble+models+for+design+of+experiments.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Model+validation+strategies+for+designed+experiments+using+bootstrapping+techniques+with+applications+to+biopharmaceuticals.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applications+of+the+fractional-random-weight+bootstrap.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SVEM:+A+paradigm+shift+in+design+and+analysis+of+experiments.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Accelerating+innovation+with+space+filling+mixture+designs,+neural+networks+and+SVEM.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Self-Validated+Ensemble+modelling.">Self-Validated Ensemble modelling.</a> Doctoral Dissertations. 2707. , (2022).</li><li>Juran, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Juran on Quality by Design: The New Steps for Planning Quality into Goods and Services. , (1992).</li><li>Yu, L. X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Understanding+pharmaceutical+quality+by+design.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Guidelines+for+planning+and+evidence+for+assessing+a+well-designed+experiment.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quality+by+design+for+enabling+RNA+platform+production+processes.">Quality by design for enabling RNA platform production processes.</a> Trends in Biotechnology. 40 (10), 1213-1228 (2022).</li><li>Scheff&#233;, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Experiments+with+mixtures.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=General+blending+models+for+data+from+mixture+experiments.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Illuminating+endosomal+escape+of+polymorphic+lipid+nanoparticles+that+boost+mRNA+delivery.">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/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Self-validated+ensemble+models+for+design+of+experiments.">Self-validated ensemble models for design of experiments.</a> ArXiv. , 2103.09303 (2021).</li><li>Goos, P., Jones, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Optimal Design of Experiments: A Case Study Approach. , (2011).</li><li>Rushing, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DOE+Gumbo:+How+hybrid+and+augmenting+designs+can+lead+to+more+effective+design+choices.">DOE Gumbo: How hybrid and augmenting designs can lead to more effective design choices.</a> JMP Discovery Conference. , (2020).</li></ol>

تتيح البرامج الحديثة لتصميم وتحليل تجارب عملية الخليط للعلماء تحسين تركيبات الجسيمات النانوية الدهنية في سير عمل منظم يتجنب تجارب OFAT غير الفعالة. يلغي نهج نمذجة SVEM الذي تم تطويره مؤخرا العديد من تعديلات الانحدار الغامضة واستراتيجيات تقليل النموذج التي ربما تكون قد صرفت انتباه العلماء ف?...

تشتمل تركيبات الجسيمات النانوية الدهنية (LNP) لأنظمة توصيل الجينات في الجسم الحي بشكل عام على أربعة دهون مكونة من فئات الدهون المؤينة والمساعدة و PEG1،2،3. سواء كانت هذه الدهون قيد الدراسة بمفردها أو في وقت واحد مع عوامل أخرى غير مخلوطة ، فإن تجارب هذه التركيبات تتطلب تصميمات "خليط" لأنه - بالنظر إلى تركيبة مرشحة - تؤدي زيادة أو تقليل نسبة أي من الليبيدات بالضرورة إلى انخفاض أو زيادة مقابلة في مجموع نسب الدهون الثلاثة الأخرى.
للتوضيح ، من المفترض أننا نقوم بتحسين صياغة LNP التي تستخدم حاليا وصفة محددة سيتم التعامل معها كمعيار. الهدف هو زيادة فاعلية LNP إلى أقصى حد بينما تهدف بشكل ثانوي إلى تقليل متوسط حجم الجسيمات. عوامل الدراسة التي تتنوع في التجربة هي النسب المولية للدهون الأربعة المكونة (المؤين ، الكوليسترول ، DOPE ، PEG) ، نسبة N: P ، معدل التدفق ، ونوع الدهون المؤينة. يسمح للدهون المؤينة والمساعدة (بما في ذلك الكوليسترول) بالاختلاف على نطاق أوسع من النسبة المولية ، 10-60٪ ، من PEG ، والتي ستختلف من 1-5٪ في هذا الرسم التوضيحي. يتم تحديد وصفة الصيغة المعيارية ونطاقات العوامل الأخرى ودقة تقريبها في الملف التكميلي 1. في هذا المثال ، يستطيع العلماء إجراء 23 عملية (دفعات فريدة من الجسيمات) في يوم واحد ويرغبون في استخدام ذلك كحجم للعينة إذا كان يفي بالحد الأدنى من المتطلبات. يتم توفير النتائج المحاكاة لهذه التجربة في الملف التكميلي 2 والملف التكميلي 3.
نشر Rampado و Peer4 ورقة مراجعة حديثة حول موضوع التجارب المصممة لتحسين أنظمة توصيل الأدوية القائمة على الجسيمات النانوية. نظر كوفمان وآخرون في دراسات تحسين LNP باستخدام تصميمات الفحص العاملي والنهائي6 ؛ ومع ذلك، لا يمكن لهذه الأنواع من التصاميم أن تستوعب قيد الخليط دون اللجوء إلى استخدام "متغيرات الركود" غير الفعالة7 ولا تستخدم عادة عند وجود عوامل الخليط 7,8. وبدلا من ذلك، تستخدم تقليديا "التصاميم المثلى" القادرة على إدراج قيد المخلوط في تجارب عمليةالخلط 9. تستهدف هذه التصميمات وظيفة يحددها المستخدم لعوامل الدراسة وتكون مثالية فقط (في واحدة من عدد من الحواس الممكنة) إذا كانت هذه الوظيفة تلتقط العلاقة الحقيقية بين عوامل الدراسة والاستجابات. ويلاحظ أن هناك تمييزا في النص بين "التصاميم المثلى" و"الصيغ المرشحة المثلى"، حيث يشير الأخير إلى أفضل الصيغ التي يحددها نموذج إحصائي. تأتي التصميمات المثلى مع ثلاثة عيوب رئيسية لتجارب عملية الخليط. أولا ، إذا فشل العالم في توقع تفاعل عوامل الدراسة عند تحديد النموذج المستهدف ، فسيكون النموذج الناتج متحيزا ويمكن أن ينتج تركيبات مرشحة أدنى. ثانيا ، تضع التصميمات المثلى معظم الأشواط على الحدود الخارجية لمساحة العامل. في دراسات LNP ، يمكن أن يؤدي ذلك إلى عدد كبير من عمليات التشغيل المفقودة إذا لم تتشكل الجسيمات بشكل صحيح في أي من طرفي الدهون أو إعدادات العملية. ثالثا ، غالبا ما يفضل العلماء إجراء عمليات تجريبية على الجزء الداخلي من فضاء العامل للحصول على إحساس مستقل عن النموذج لسطح الاستجابة ومراقبة العملية مباشرة في المناطق غير المستكشفة سابقا من فضاء العامل.
يتمثل مبدأ التصميم البديل في استهداف تغطية موحدة تقريبية لمساحة عامل (مقيدة بالمخلوط) بتصميم ملءالفراغ 10. تضحي هذه التصاميم ببعض الكفاءة التجريبية بالنسبة للتصميمات المثلى9 (على افتراض أن مساحة العامل بأكملها تؤدي إلى صيغ صالحة) ولكنها تقدم العديد من الفوائد في المقايضة المفيدة في هذا التطبيق. لا يقدم تصميم ملء الفراغ أي افتراضات مسبقة حول هيكل سطح الاستجابة ؛ وهذا يمنحها المرونة لالتقاط العلاقات غير المتوقعة بين عوامل الدراسة. يعمل هذا أيضا على تبسيط إنشاء التصميم لأنه لا يتطلب اتخاذ قرارات بشأن شروط الانحدار التي يجب إضافتها أو إزالتها عند ضبط حجم التشغيل المطلوب. عندما تؤدي بعض نقاط التصميم (الوصفات) إلى تركيبات فاشلة ، فإن تصميمات ملء الفراغ تجعل من الممكن نمذجة حدود الفشل على عوامل الدراسة مع دعم النماذج الإحصائية لاستجابات الدراسة على مجموعات العوامل الناجحة. أخيرا ، تسمح التغطية الداخلية لمساحة العامل باستكشاف رسومي مستقل عن النموذج لسطح الاستجابة.
لتصور الفضاء الفرعي لعامل الخليط لتجربة عملية الخليط ، يتم استخدام "قطع ثلاثية" مثلثة متخصصة. يحفز الشكل 1 هذا الاستخدام: في مكعب النقاط حيث يسمح لكل مكون بالنطاق من 0 إلى 1 ، يتم تمييز النقاط التي تفي بقيد أن مجموع المكونات يساوي 1 باللون الأحمر. يقلل قيد الخليط على المكونات الثلاثة من مساحة العامل الممكنة إلى مثلث. في تطبيقات LNP التي تحتوي على أربعة مكونات مخلوط ، ننتج ستة مخططات ثلاثية مختلفة لتمثيل مساحة العامل عن طريق رسم اثنين من الليبيدات في وقت واحد مقابل محور "آخر" يمثل مجموع الليبيدات الأخرى.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65200/65200fig01.jpg"> الشكل 1: مناطق العامل الثلاثي. في مخطط ملء الفراغ داخل المكعب ، تمثل النقاط الرمادية الصغيرة تركيبات لا تتوافق مع قيد الخليط. تقع النقاط الحمراء الأكبر على مثلث مدرج داخل المكعب وتمثل التركيبات التي يتم استيفاء قيد الخليط لها. <a href="https://www.jove.com/files/ftp_upload/65200/65200fig01large.jpg" target="_blank">يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.</a>
بالإضافة إلى عوامل خليط الدهون ، غالبا ما يكون هناك عامل عملية مستمر واحد أو أكثر مثل نسبة N: P أو تركيز المخزن المؤقت أو معدل التدفق. قد تكون هناك عوامل فئوية ، مثل نوع الدهون المؤينة أو نوع الدهون المساعدة أو النوع العازل. الهدف هو إيجاد تركيبة (خليط من الدهون وإعدادات عوامل العملية) تزيد من قدر الفاعلية و / أو تحسن الخصائص الفيزيائية والكيميائية مثل تقليل حجم الجسيمات و PDI (مؤشر تعدد التشتت) ، وتعظيم نسبة التغليف ، وتقليل الآثار الجانبية - مثل فقدان وزن الجسم - في الدراسات في الجسم الحي. حتى عند البدء من وصفة مرجعية معقولة ، قد يكون هناك اهتمام بإعادة التحسين نظرا لتغيير في الحمولة الجينية أو عند النظر في التغييرات في عوامل العملية أو أنواع الدهون.
يقدم Cornell7 نصا نهائيا حول الجوانب الإحصائية لتجارب عملية الخليط والخليط ، مع تقديم Myers et al.9 ملخصا ممتازا لموضوعات تصميم وتحليل الخليط الأكثر صلة من أجل التحسين. ومع ذلك ، يمكن لهذه الأعمال أن تثقل كاهل العلماء بالتفاصيل الإحصائية والمصطلحات المتخصصة. يوفر البرنامج الحديث لتصميم التجارب وتحليلها حلا قويا يدعم بشكل كاف معظم مشاكل تحسين LNP دون الحاجة إلى مناشدة النظرية ذات الصلة. في حين أن الدراسات الأكثر تعقيدا أو ذات الأولوية العالية ستظل تستفيد من التعاون مع إحصائي وقد تستخدم تصميمات مثالية بدلا من ملء الفراغ ، فإن هدفنا هو تحسين مستوى راحة العلماء وتشجيع تحسين تركيبات LNP دون اللجوء إلى اختبار عامل واحد في كل مرة (OFAT) غير الفعال11 أو ببساطة الاستقرار على الصيغة الأولى التي تفي بالمواصفات.
في هذه المقالة ، يتم تقديم سير عمل يستخدم برنامجا إحصائيا لتحسين مشكلة صياغة LNP عامة ، ومعالجة مشكلات التصميم والتحليل بالترتيب الذي ستواجهه. في الواقع ، ستعمل الطريقة مع مشاكل التحسين العامة ولا تقتصر على LNPs. على طول الطريق ، يتم تناول العديد من الأسئلة الشائعة التي تنشأ ويتم تقديم توصيات ترتكز على التجربة وفي نتائج المحاكاة12. أدى الإطار الذي تم تطويره مؤخرا لنماذج المجموعة التي تم التحقق من صحتها ذاتيا (SVEM)13 إلى تحسين النهج الهش لتحليل النتائج من تجارب عملية الخليط ، ونحن نستخدم هذا النهج لتوفير استراتيجية مبسطة لتحسين الصياغة. بينما يتم إنشاء سير العمل بطريقة عامة يمكن اتباعها باستخدام حزم برامج أخرى ، فإن JMP 17 Pro فريد من نوعه في تقديم SVEM جنبا إلى جنب مع أدوات الملخص الرسومية التي وجدنا أنها ضرورية لتبسيط التحليل الغامض لتجارب عملية الخليط. نتيجة لذلك ، يتم توفير تعليمات خاصة ب JMP أيضا في البروتوكول.
يستخدم SVEM نفس أساس نموذج الانحدار الخطي مثل النهج التقليدي ، ولكنه يسمح لنا بتجنب التعديلات المملة المطلوبة لتناسب "النموذج الكامل" للتأثيرات المرشحة باستخدام إما الاختيار الأمامي أو الاختيار المعاقب عليه (Lasso) النهج الأساسي. بالإضافة إلى ذلك ، يوفر SVEM ملاءمة "نموذج مخفض" محسن يقلل من إمكانية دمج الضوضاء (العملية بالإضافة إلى التباين التحليلي) التي تظهر في البيانات. إنه يعمل عن طريق حساب متوسط النماذج المتوقعة الناتجة عن إعادة ترجيح الأهمية النسبية لكل تشغيل بشكل متكرر في النموذج 13،14،15،16،17،18. يوفر SVEM إطارا لنمذجة تجارب عملية الخليط التي يسهل تنفيذها من الانحدار التقليدي أحادي الطلقة وينتج عنه مرشحون أفضل جودة للصياغةالمثلى 12,13. التفاصيل الرياضية ل SVEM خارج نطاق هذه الورقة وحتى الملخص السريع الذي يتجاوز مراجعة الأدبيات ذات الصلة من شأنه أن يصرف الانتباه عن ميزته الرئيسية في هذا التطبيق: فهو يسمح بإجراء بسيط وقوي ودقيق للنقر للتشغيل للممارسين.
يتوافق سير العمل المقدم مع نهج الجودة حسب التصميم (QbD)19 لتطوير الأدوية20. ستكون نتيجة الدراسة فهما للعلاقة الوظيفية التي تربط سمات المواد ومعلمات العملية بسمات الجودة الحرجة (CQAs)21. يناقش Daniel et al.22 استخدام إطار عمل QbD خصيصا لإنتاج منصة RNA: يمكن استخدام سير العمل لدينا كأداة في هذا الإطار.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>JMP Pro 17.1</td>
			<td>JMP Statistical Discovery LLC</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

a workflow for lipid nanoparticle (lnp) formulation optimization using designed mixture-process experiments and self-validated ensemble models (svem)

نقدم نهجا على غرار الجودة حسب التصميم (QbD) لتحسين تركيبات الجسيمات النانوية الدهنية (LNP) ، بهدف تزويد العلماء بسير عمل يمكن الوصول إليه. يتطلب التقييد المتأصل في هذه الدراسات ، حيث يجب أن تضيف النسب المولية للدهون المؤينة والمساعدة و PEG ما يصل إلى 100٪ ، طرق تصميم وتحليل متخصصة لاستيعاب قيد الخليط هذا. مع التركيز على الدهون وعوامل العملية التي يشيع استخدامها في تحسين تصميم LNP ، نقدم خطوات تتجنب العديد من الصعوبات التي تنشأ تقليديا في تصميم وتحليل تجارب عملية الخليط من خلال استخدام تصميمات ملء الفراغ واستخدام الإطار الإحصائي الذي تم تطويره مؤخرا لنماذج المجموعة ذاتية التحقق (SVEM). بالإضافة إلى إنتاج الصيغ المثلى المرشحة ، يبني سير العمل أيضا ملخصات رسومية للنماذج الإحصائية المجهزة التي تبسط تفسير النتائج. يتم تقييم التركيبات المرشحة المحددة حديثا مع عمليات التأكيد ويمكن إجراؤها اختياريا في سياق دراسة المرحلة الثانية الأكثر شمولا.

تم التحقق من صحة هذا النهج عبر كل من أنواع الدهون المصنفة على نطاق واسع: الدهون الكلاسيكية الشبيهة ب MC3 والدهون (على سبيل المثال ، C12-200) ، المشتقة عموما من الكيمياء التوافقية. بالمقارنة مع صياغة LNP المعيارية التي تم تطويرها باستخدام طريقة عامل واحد في كل مرة (OFAT) ، فإن التركيبات المرشحة التي ت...

Watch this Scientific Journal Video about A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM at JoVE.com

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

يوفر هذا البروتوكول نهجا لتحسين الصياغة على عوامل الدراسة المختلطة والمستمرة والفئوية التي تقلل من الخيارات الذاتية في بناء التصميم التجريبي. بالنسبة لمرحلة التحليل ، يتم استخدام إجراء تركيب نمذجة فعال وسهل الاستخدام.

سير عمل لتحسين صياغة الجسيمات النانوية الدهنية (LNP) باستخدام تجارب عملية الخليط المصممة ونماذج المجموعة التي تم التحقق من صحتها ذاتيا (SVEM)

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

توفر هذه المقالة سير عمل للعلماء لبناء جدول تصميم تجريبي وتحليل النتائج التجريبية على مجموعة متنوعة من عوامل الخليط والعملية ، دون الحاجة إلى قرارات إحصائية مملة وربما متقلبة. يمكن تحسين النماذج الناتجة بشكل مشترك على استجابات متعددة واستخدامها لإنتاج رسومات إعلامية لتلخيص كل من سطح الاستجابة المشتركة وتنبؤات الاستجابات الفردية. هذه الرسومات أسهل في التفسير من تقديرات المعلمات من النماذج الإحصائية الأساسية ، وهي مفيدة في تمثيل إعدادات العوامل التي تنتج أكثر الاستجابات المرغوبة.يحتاج علماء صياغة الدهون والجسيمات النانوية في كثير من الأحيان إلى بناء وصفات جديدة لحمولات مختلفة أو عند تغيير الدهون أو إعدادات العملية. نحن نقدم نهجا قويا لتحسين الصياغة يقلل من احتمالية الخطأ في بناء التصميم ، ويتجنب الحاجة إلى معرفة إحصائية ومعرفة واسعة أثناء التحليل. لخص الغرض من التجربة في مستند مختوم بالتاريخ.ضع قائمة بالاستجابات التي سيتم قياسها أثناء التجربة. حدد العوامل التي ستكون متنوعة وتلك التي ستبقى ثابتة أثناء الدراسة. حدد نطاقات العوامل المتغيرة والدقة العشرية ذات الصلة لكل منها.حدد حجم تصميم الدراسة باستخدام الحد الأدنى والحد الأقصى للاستدلال. افتح القفز وانتقل إلى شريط القائمة إلى DOI ، الغرض الخاص ، تصميم ملء الفضاء. أدخل إجابات الدراسة.أدخل عوامل الدراسة والنطاقات. أدخل العدد المحدد مسبقا من عمليات التشغيل للتصميم. قم بإنشاء جدول تصميم ملء المساحة للعوامل المختارة وحجم التشغيل.أضف عمود ملاحظات إلى الجدول لإضافة تعليقات توضيحية إلى أي عمليات تشغيل تم إنشاؤها يدويا. إذا كان ذلك ممكنا ، فقم بدمج عمليات التحكم المعياري يدويا في جدول التصميم. قم بتضمين نسخة متماثلة لأحد المعايير الخاضعة للرقابة.ضع علامة على اسم المعيار في عمود الملاحظات وقم بترميز اللون لصفوف النسخ المتماثل المعياري لسهولة التعرف الصحيح. قم بتقريب خليط مستويات العوامل إلى الدقة المناسبة. انسخ القيم المقربة والصقها في الأعمدة الأصلية.احذف النسخ الزائدة عن الحاجة من الأعمدة المستديرة. بعد تقريب عوامل الدهون ، تحقق من مجموعها يساوي 100٪ إذا كان أي مجموع صفوف لا يساوي واحدا يدويا ، فاضبط أحد عوامل الخليط ، مما يضمن بقائه ضمن نطاق العوامل. احذف عمود المجموع بعد إجراء التعديلات.اتبع نفس الإجراء المستخدم لتقريب عوامل الخليط لتقريب عوامل العملية إلى دقتها. قم بتنسيق أعمدة الليبيدات لتظهر كنسب مئوية مع العدد المطلوب من الكسور العشرية. إذا أضفت عمليات تشغيل يدوية مثل المعايير، فأعد ترتيب صفوف الجدول عشوائيا، وأضف عمودا جديدا بقيم مستديرة.قم بفرز هذا العمود بترتيب تصاعدي بالنقر بزر الماوس الأيمن فوق رأس العمود الخاص به ، ثم احذف العمود. قم بإنشاء مخططات ثلاثية لتصور نقاط التصميم على عوامل الدهون. افحص أيضا توزيع التشغيل على عوامل العملية.يجب على علماء الصياغة تأكيد جدوى جميع الأشواط. في حالة وجود عمليات تشغيل غير مجدية ، أعد تشغيل التصميم مع مراعاة القيود المكتشفة حديثا. قم بتشغيل التجربة بالترتيب الذي يوفره جدول التصميم.سجل القراءات في العمود المضمن في الجدول التجريبي. رسم القراءات وفحص توزيعات الردود. افحص المسافة النسبية بين عمليات تشغيل النسخ المتماثل المشفرة بالألوان إذا تم تضمينها ، وهذا يسمح بفهم العملية الكلية والتباين التحليلي في المعيار ، مقارنة بالتباين بسبب التغييرات في إعدادات العامل عبر مساحة العامل بأكملها.صياغة يدير على المؤامرات الثلاثية. قم بتلوين النقاط وفقا للإجابات للحصول على عرض مستقل للنموذج للسلوك على عوامل الخليط. انقر بزر الماوس الأيمن على أي من الرسوم البيانية الناتجة ، وحدد Row Legend ثم حدد عمود الاستجابة.كرر هذا لكل رد. بناء نموذج مستقل لكل استجابة كدالة لعوامل الدراسة. احذف البرامج النصية النموذجية التي تم إنشاؤها بواسطة تصميم تعبئة المساحة.حدد تحليل، ملاءمة النموذج. بناء نموذج كامل يضم جميع التأثيرات المرشحة. يجب أن يتضمن هذا النموذج التأثيرات الرئيسية لكل عامل ، والتفاعلات ثنائية وثلاثية الاتجاهات ، والمصطلحات التربيعية والجزئية التكعيبية في عوامل العملية وشروط Scheffe التكعيبية لعوامل الخليط.حدد جميع عوامل الدراسة. قم بتغيير إدخال الدرجة إلى ثلاثة من الإعداد الافتراضي لاثنين. ثم حدد مضروب إلى درجة.حدد العوامل غير المخلوطة فقط ثم حدد وحدات ماكرو ، مكعب جزئي. حدد عوامل الخليط فقط ثم حدد وحدات ماكرو ، Scheffe Cubic. قم بتعطيل خيار عدم الاعتراض الافتراضي.حدد عمود الاستجابة ، وقم بتغيير الشخصية إلى الانحدار المعمم. احفظ هذا النموذج الذي تم إعداده في جدول البيانات لسهولة تذكره. حدد حفظ في جدول البيانات.انقر فوق تشغيل. لطريقة التقدير، حدد تحديد SVEM للأمام. قم بتوسيع قوائم شروط فرض عناصر التحكم المتقدمة وقم بإلغاء تحديد المربعات المقابلة لتأثيرات الخليط الرئيسية.سيبقى مصطلح الاعتراض فقط محددا. انقر فوق Go.Plot الاستجابات الفعلية من خلال استجاباتها المتوقعة من نموذج SVEM للتحقق من إمكانية التنبؤ المعقولة. انقر فوق المثلث الأحمر بجوار تحديد SVEM إلى الأمام وحدد حفظ الأعمدة، حفظ صيغة التنبؤ.يؤدي هذا إلى إنشاء عمود جديد يحتوي على صيغة التنبؤ في جدول البيانات كرر خطوات بناء النموذج لكل استجابة. بعد حفظ أعمدة التنبؤ في جدول البيانات في جميع الاستجابات، ارسم تتبعات الاستجابة لجميع أعمدة الاستجابة المتوقعة باستخدام دالة منشئ التعريف. حدد منشئ ملفات تعريف الرسم البياني وحدد كافة أعمدة التنبؤ التي تم إنشاؤها في الخطوة السابقة لصيغة التنبؤ Y، وانقر فوق موافق.تحديد التركيبات المثلى المرشحة. قم بتعيين وظيفة الرغبة لكل استجابة سواء كان ينبغي تعظيمها أو تقليلها أو مطابقتها مع الهدف. ويستلزم ذلك أيضا تحديد أوزان الأهمية النسبية لكل استجابة.لإنشاء المرشح الأول، قم بتعيين أي استجابات أولية لاستخدام وزن الأهمية 1.0 وأي استجابات ثانوية لاستخدام وزن الأهمية 0.2. قم بتوجيه منشئ ملفات التعريف للعثور على إعدادات العامل المثلى التي تزيد من وظيفة الرغبة إلى أقصى حد. حدد الرغبة في التحسين ، وزيادة الرغبة إلى أقصى حد.سجل إعدادات العامل المثلى مع ملاحظة حول أوزان الأهمية المستخدمة لكل استجابة. بالنسبة للعوامل الفئوية مثل نوع الدهون المؤينة ، ابحث عن التركيبات المثلى المشروطة لكل مستوى عامل. أولا ، قم بتعيين المستوى المطلوب لكل عامل في ملف التعريف.ثم اضغط مع الاستمرار على مفتاح التحكم وانقر بزر الماوس الأيسر داخل الرسم البياني لهذا العامل وحدد Lock Factor Setting. هذا التحديد الأمثل والرغبة ، يزيد من الرغبة في العثور على الأمثل الشرطي مع هذا العامل مغلق في إعداده الحالي. عند الانتهاء ، قم بإلغاء قفل إعدادات العامل قبل المتابعة.كرر عملية التحسين بعد تعديل أوزان أهمية الاستجابة ، وربما فقط تحسين الاستجابات الأولية أو تعيين بعض الاستجابات الثانوية ليكون لها وزن أهمية أكثر أو أقل ، حيث تحدد هدفها إلى لا شيء. سجل المرشح الأمثل الجديد. إنتاج ملخصات رسومية للمناطق المثلى لمساحة العامل.قم بإنشاء جدول بيانات يحتوي على 50،000 صف يتم ملؤها بإعدادات عامل تم إنشاؤها عشوائيا ضمن مساحة العامل المسموح بها، جنبا إلى جنب مع القيم المتوقعة المقابلة من النماذج المخفضة لكل من الاستجابات، بالإضافة إلى وظيفة الرغبة المشتركة. حدد جدول عشوائي للإخراج. قم بتغيير قيمة عدد عمليات التشغيل للمحاكاة إلى 50 ، 000 وانقر فوق موافق.في الجدول الذي تم إنشاؤه حديثا، أضف عمودا جديدا يحسب النسبة المئوية لعمود الرغبة. استخدم هذا العمود المئوي في المخططات الثلاثية بدلا من عمود الرغبة الخام. انقر بزر الماوس الأيمن فوق رأس عمود الرغبة وحدد عمود صيغة جديد ، توزيعي ، احتمال تراكمي.قم بإنشاء الرسومات التالية. قم بتغيير نظام ألوان الرسومات بشكل متكرر لعرض التنبؤات لكل استجابة ولعمود الاحتمال التراكمي. بناء مخططات ثلاثية لعوامل الدهون الأربعة.في الجدول ، انتقل إلى الرسم البياني الثلاثي المخطط. حدد عوامل الخليط لرسم X وانقر فوق موافق. انقر بزر الماوس الأيمن في أحد الرسوم البيانية الناتجة ، وحدد Row Legend ثم حدد عمود الاستجابة المتوقعة.قم بتغيير القائمة المنسدلة للألوان إلى Jet. سيظهر هذا أفضل وأسوأ المناطق أداء فيما يتعلق بعوامل الدهون. يوضح الشكل الحالي النسب المئوية لاستصواب المفصل عند التفكير في تعظيم الفاعلية مع تكملة مهمة ل 1 ، وتقليل الحجم مع تكملة مهمة إلى 0.2.مع حساب المتوسط على أي عوامل لا تظهر على محور المخطط الثلاثي. قم بتغيير نظام ألوان الرسومات بشكل متكرر لعرض التوقعات لكل استجابة. وبالمثل ، ارسم 50،000 نقطة مشفرة بالألوان تمثل تركيبات فريدة مقابل عوامل العملية غير المخلوطة إما مفردة أو مشتركة ، وابحث عن العلاقات بين الاستجابات والعوامل.ابحث عن إعدادات العوامل التي تنتج عائد النقاط بأعلى قدر من الاستحسان. يوضح هذا الشكل الرغبة المشتركة لجميع التركيبات التي يمكن تكوينها مع كل نوع من أنواع الليبيدات المتأينة الثلاثة. تستخدم أكثر التركيبات المرغوبة H102 ، مع توفير H101 بعض البدائل التنافسية المحتملة.استكشف مجموعات مختلفة من العوامل التي قد تؤدي إلى استجابات مختلفة. احفظ ملف تعريف التنبؤ وإعداداته التي تم تذكرها مرة أخرى إلى جدول البيانات. قم بإعداد جدول يسرد المرشحين الأمثل الذين تم تحديدهم مسبقا.قم بتضمين عنصر التحكم القياسي مع مجموعة عمليات التشغيل المرشحة التي سيتم صياغتها وقياسها. إذا وجد أن أيا من الصيغ من التجربة تسفر عن نتائج مرغوبة ، ربما من خلال التفوق على المعيار ، فحدد الأفضل لإضافته إلى الجدول المرشح وإعادة الاختبار مع الصيغ الجديدة. انقر بزر الماوس الأيمن على جدول الإعدادات الذي تم تذكره في ملف التعريف وحدد Make in Data Table.قم بإجراء عمليات التأكيد ، وقم ببناء الصيغ وجمع القراءات. قارن أداء التركيبات المثلى المرشحة. تم استخدام سير العمل في العديد من التطبيقات.في معظم الحالات ، لاحظنا تحسنا لا يقل عن أربع إلى خمس مرات في الفاعلية عند مقارنتنا بالتركيبات المعيارية التي تم تعيينها باستخدام عامل واحد في كل مرة تحسين. وتكون التحسينات ملحوظة بشكل خاص عندما تكون الاستجابات الثانوية موجهة بشكل مشترك. من الممكن أيضا استخدام المحاكاة لإظهار الجودة المتوقعة للمرشحين الأمثل الذين ينتجهم هذا الإجراء.باستخدام وظيفة توليد بيانات معروفة لتجربة المثال الموصوفة في الورقة ، يمكننا مقارنة جودة التركيبات المثلى المرشحة التي تم الحصول عليها من تصميمات ملء الفراغ والتحليل القائم على SVEM المستخدم في سير العمل هذا بتلك التي تم الحصول عليها من تقنيات تحليل الخليط التقليدية. مع جودة الصيغة المثلى الموضحة على المحور الرأسي وعدد مرات التشغيل في التصميم الموضح على المحور الأفقي ، تمثل النقاط الزرقاء أداء النموذج الإحصائي الكامل غير المختزل على مدى 150 محاكاة. تمثل النقاط الكهرمانية أداء الاختيار التقليدي للأمام بطلقة واحدة بناء على وظيفة هدف AICC.تمثل النقاط الخضراء أداء نهج التحديد الأمامي المستند إلى SVEM المستخدم في سير العمل هذا. يسمح لنا تحليل SVEM بالحصول على مرشحين مثاليين أفضل وعدد أقل من الأشواط. ستكون هناك دراسات عرضية ذات تعقيد إضافي تتطلب مساعدة إحصائي للتصميم والتحليل.الدراسات ذات الأولوية العالية للغاية ، حيث يكون حجم التشغيل محدودا أكثر من المعتاد ، أو هناك عدد كبير من العوامل الفئوية ، أو عامل فئوي واحد مع عدد كبير من المستويات قد يتم التعامل معه بشكل مختلف من قبل الإحصائي. استخدام التصميمات المثلى أو الهجينة بدلا من تصميم ملء الفراغ المحدد في سير العمل.

Research

JoVE Journal

Chemistry

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

Isolation and Chemical Characterization of Lipid A from Gram-negative Bacteria

عزل وتوصيف المواد الكيميائية من الدهن من البكتيريا سالبة الجرام

Lipopolysaccharide (LPS) is the major cell surface molecule of gram-negative bacteria, deposited on the outer leaflet of the outer membrane bilayer. LPS ...

Conducting Miller-Urey Experiments

إجراء تجارب ميلر أوري

In 1953, Stanley Miller reported the production of biomolecules from simple gaseous starting materials, using an apparatus constructed to simulate the ...

Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues

الاستفادة المثلى من البروتينات التركيبية: تحديد فصل بين التبعيات مبينا هيكليا و / أو بقايا المرتبطة وظيفيا

Protein alignments are commonly used to evaluate the similarity of protein residues, and the derived consensus sequence used for identifying functional ...

Encapsulation of Cancer Therapeutic Agent Dacarbazine Using Nanostructured Lipid Carrier

التغليف السرطان العلاجية وكيل داكاربازين طريق ذات البنية النانومترية الدهون الناقل

The only formula of dacarbazine (Dac) in clinical use is intravenous infusion, presenting a poor therapeutic profile due to the low dispersity of the drug ...

NMR Spectroscopy as a Robust Tool for the Rapid Evaluation of the Lipid Profile of Fish Oil Supplements

NMR الطيفي كأداة قوية لتقييم السريع من الدهون الملف من السمك ملاحق النفط

The western diet is poor in n-3 fatty acids, therefore the consumption of fish oil supplements is recommended to increase the intake of these essential ...

Measurements of Long-range Electronic Correlations During Femtosecond Diffraction Experiments Performed on Nanocrystals of Buckminsterfullerene

قياسات للارتباطات الإلكترونية البعيدة المدى خلال تجارب حيود Femtosecond على نانوكريستالس بوكمينستيرفوليريني

The precise details of the interaction of intense X-ray pulses with matter are a topic of intense interest to researchers attempting to interpret the ...

Liquid-cell Transmission Electron Microscopy for Tracking Self-assembly of Nanoparticles

خلايا السائل مجهر إلكتروني لتعقب التجميع الذاتي من جسيمات نانوية

Drying a nanoparticle dispersion is a versatile way to create self-assembled structures of nanoparticles, but the mechanism of this process is not fully ...

Synthesis of Platinum-nickel Nanowires and Optimization for Oxygen Reduction Performance

تركيب أسلاك البلاتين والنيكل والأمثل للأكسجين الحد من الأداء

Platinum-nickel (Pt-Ni) nanowires were developed as fuel cell electrocatalysts, and were optimized for the performance and durability in the oxygen ...

Rapid Nanoprobe Signal Enhancement by In Situ Gold Nanoparticle Synthesis

Rapid Nanoprobe Signal Enhancement by In Situ Gold Nanoparticle Synthesis

تعزيز السريع نانوبروبي إشارة بتوليف نانوحبيبات الذهب في الموقع

The use of nanoprobes such as gold, silver, silica or iron-oxide nanoparticles as detection reagents in bioanalytical assays can enable high sensitivity ...

Analysis of Minerals Produced by hFOB 1.19 and Saos-2 Cells Using Transmission Electron Microscopy with Energy Dispersive X-ray Microanalysis

تحليل المعادن التي تنتجها هفوب 1.19 وسوس-2 الخلايا باستخدام مجهر إلكتروني مع Microanalysis الأشعة السينية المشتتة الطاقة

This video presents the use of transmission electron microscopy with energy dispersive X-ray microanalysis (TEM-EDX) to compare the state of minerals in ...