自调节的微流体系统用于脂质纳米粒子生产
Elena Reus1, Johann Savinsky2, Simon Wennemaring2
1Institute for Pharmacy and Food Chemistry, University of Würzburg, Am Hubland, 97074 Würzburg, Germany.
概括
本研究介绍了使用数据驱动的方法和微流体的自动化脂质纳米粒子配方. 机器学习模型预测纳米粒子属性,使基因传递应用的快速,即时优化成为可能.
科学领域:
- 生物技术是生物技术.
- 纳米技术纳米技术
- 计算科学 计算科学
背景情况:
- 脂质纳米粒子 (LNP) 对于基因传递至关重要,使先进的疫苗和癌症疗法成为可能.
- 优化LNP的配方是复杂的,因为巨大的设计空间.
- 在 silico 方法提供了一个成本效益的方法来优化 LNP 配方.
研究的目的:
- 为了证明数据驱动的自动化快速脂质纳米粒子配方参数化.
- 将计算流体动力学 (CFD) 和微流体选与机器学习相结合.
- 为了实现完全自动化的LNP配方优化与最小的人类干预.
主要方法:
- 利用低成本的微流体硬件来快速进行配方参数化.
- 使用计算流体动力学 (CFD) 模拟和微流体选.
- 开发机器学习算法来预测尺寸和封装效率等关键质量属性.
主要成果:
- 从CFD和微流体数据中成功推导出机器学习模型.
- 部署了一种自我调节的微流体装置,用于自动化LNP配方.
- 实现了脂质纳米粒子配方的即时优化.
结论:
- 数据驱动的自动化与微流体学相结合,加速了LNP配方优化.
- 这种方法弥合了计算和实验工作,以实现高效的LNP设计.
- 开发的方法有望加快用于治疗应用的优化纳米粒子的发现.
