| Phone |
| |
| |
| 대표전화 |
1577-7956 |
| 본 사 |
031-457-9187 |
| 대 전 |
042-932-1265 |
| |
|
| Web Site Visitors |
| |
| |
| Today |
563 |
| Yesterday |
1241 |
| Since 2006 |
2,693,899 |
| |
|
|
|
| ■ |
A Guide to RNA-LNP Formulation Screening |
|
|
Author : Robin Oliverse | 리스트돌아가기 | |
|
LNP 는 mRNA-LNP COVID-19 백신과 같은 RNA 백신 및 RNA 기반 치료제 개발에 필수적인 도구가 되었습니다. 이 나노운반체는 비-바이러스성 전달체로서 핵심적인 역할을 수행하며,
연약한 RNA 분자가 신체를 이동하는 동안 보호하고 표적 세포 및 장기로의 효율적인 전달을 보장합니다. LNP는 RNA 치료제가 치료 잠재력을 달성할 수 있도록 함으로써,
수많은 새로운 유전자 치료제 및 백신 개발의 문을 열며 현대 의학의 초석이 되었습니다.
이러한 새로운 RNA LNP 약물 개발에서 중요한 과제는 LNP 를 선별하여 RNA 전달 효율을 최적화하는 동시에 독성을 최소화하고 생체 분포를 정밀하게 제어하여 유리한 치료 결과를 달성하는 것입니다.
이 과정은 Critical Process Parameters (CPPs, 핵심 공정 변수) (예: 지질 조성, 지질 비율, 완충액 조건, 리간드 및 제형 공정 변수) 와 이들이 LNP 의 Critical Quality Attributs (CQA, 핵심 품질 속성)
(예: 크기, 다분산성 지수(PDI), 제타 전위, 형태 및 캡슐화 효율) 에 미치는 영향 사이의 상호작용을 미세 조정하는 데 달려 있습니다. 이는 다시 Quality Target Product Profile (QTPP, 품질 목표 제품 프로파일)
(예: 나노입자의 치료 효능, 독성 및 생체 분포) 에 직접적인 영향을 미칩니다.
주요 고려사항은 일반적인 지침이나 경험 법칙이 존재하지만, CPP, CQA, QTPP 사이에는 간단하거나 보편적으로 정의된 상관관계가 없다는 것입니다.
이러한 예측 불가능성으로 인해 경험적 테스트가 LNP 최적화의 초석이 됩니다. 그러나 이 과정은 본질적으로 어렵습니다. 지질 조성에만 초점을 맞추더라도 여러 지질 유형, 다양한 비율 및 추가 매개변수를
포함한 잠재적인 조합의 수는 빠르게 수천 또는 수만 가지 가능성으로 이어질 수 있습니다. 하지만 지질에 대한 단순한 최적화만으로도 mRNA 전달 효율을 최소 100배까지 향상시킬 잠재력이 있습니다.
이러한 엄청난 실험 환경을 해결하기 위해서는 선별 프로세스를 효율화하기 위한 정교한 전략이 필요합니다. 이러한 복잡성에 더해 RNA 및 새로운 지질 성분과 같은 핵심 재료의 높은 비용은
대규모 테스트의 타당성을 제한할 수 있습니다. Design of Experiments (DOE, 실험 설계) 및 AI 기반 최적화와 같은 고급 방법론은 필요한 테스트 수를 크게 줄이면서 고성능 후보를 식별할 수 있는
유망한 솔루션을 제공합니다. 또한, 비용을 줄이고 일정을 단축하기 위해 RNA 및 지질 소비를 최소화하면서 제형 공정 자체도 고처리량으로 최적화되어야 합니다.
본 글에서는 LNP 제형 선별의 가장 중요한 측면을 탐구할 것입니다. 먼저 평가하고 관찰해야 할 핵심 매개변수를 살펴보고, 이어서 선별 프로세스를 최적화하기 위한 전략을 탐색할 것입니다.
효율성과 비용의 균형을 통해 이러한 접근 방식은 우수한 LNP 제형 개발을 가능하게 하고 RNA 치료제의 발전과 품질 및 효과를 향상시키는 것을 목표로 합니다.
Reminder on LNP Formulation CPPs and CQAs
지질 나노입자 (LNP) 제형을 만들 때, 안전하고 효과적이며 재현 가능한 RNA 기반 치료제 생산을 보장하려면 핵심 공정 변수 (CPPs) 와 핵심 품질 속성 (CQAs) 을 이해하고 최적화하는 것이 필수적입니다.
아래에서는 이러한 매개변수들의 역할과 영향을 자세히 설명하며 다시 살펴보고, 명확성을 위해 주요 CQAs 를 표로 요약합니다.
Critical Process Parameters (CPPs) of the LNP
| 1. |
Lipid Composition |
|
지질 나노입자 (LNP) 는 일반적으로 네 가지 유형의 지질로 구성됩니다: 이온화 가능한 양이온성 지질, 보조 지질, 스테롤, 그리고 PEG 화 지질. 각 지질은 뚜렷한 역할을 수행합니다: |
|
• |
Ionizable lipid : LNP의 주요 구성 요소입니다. 생리적 pH(~7)에서는 중성이지만, pKa 아래에서는 양전하를 띠게 되어 RNA 및 핵산의 캡슐화와 엔도솜 탈출을 용이하게 하고 독성을 줄이는 역할을 합니다. |
|
• |
Phospholipid : LNP 구조를 안정화하고 캡슐화 효율을 높이는 역할을 합니다. |
|
• |
Sterol (e.g., cholesterol) : 강성(rigidity)을 제공하고, LNP 안정성을 향상시키며, 약물 누출을 줄이는 역할을 합니다. |
|
• |
PEG lipid : 주로 LNP 표면에서 발견되며, 나노입자 크기에 영향을 미치고, 응집을 줄이며 스텔스 효과를 향상시켜 순환 시간을 늘리는 역할을 합니다. |
| 2. |
Lipid Ratios |
|
• |
네 가지 지질 구성 요소의 특정 비율은 LNP 크기, 캡슐화 효율 및 안정성과 같은 **핵심 품질 특성(CQAs)**에 영향을 미칩니다. 예를 들어, PEG 비율을 높이면 나노입자 크기가 감소하는 경향이 있습니다. |
|
• |
상업적으로 이용 가능한 mRNA 백신에 사용되는 일반적인 지질 비율은 다음과 같습니다 |
|
|
▪ |
Pfizer-BioNTech’s BNT162b2: 46.3:9.4:42.7 :1.6 (ionizable lipid, sterol , phospholipid, PEG lipid). |
|
|
▪ |
Moderna’s mRNA-1273 & Alnylam’s Onpattro: 50:10 :28 :1.5 |
|
|
| Lipid Class |
Ionizable Lipid |
PEG |
Phospholipid |
Sterol |
| Lipid Name |
ALC-0315 |
ALC-0159 (PEG2000) |
DSPC |
Cholesterol |
| Molar Ratio |
46.3 |
1.6 |
9.4 |
42.7 |
|
| 3. |
RNA properties |
|
• |
RNA/핵산 의 sequence 특성은 RNA-LNP Complex 의 최종 속성에 크게 영향을 미치기 때문에, 모든 경우에 적용되는 단일 접근법(one size fits all) 방식으로는 적용이 매우 어렵습니다. |
|
• |
RNA/핵산의 purity 와 이중 가닥 RNA (dsRNA) 의 존재 여부는 encapsulation efficiency 와 다분산 지수 (PDI) 를 포함한 다양한 RNA-LNP 특성을 결정하는 데 매우 중요한 역할을 합니다. |
| 4. |
N/P Ration |
|
• |
N/P 비율은 이온화 가능한 지질의 아민기(N)와 RNA 화물 내 인산기(P)의 몰비를 측정합니다. |
|
• |
일반적인 범위는 3:1 에서 12:1 이며, 화이자와 모더나 모두 6:1 비율을 사용합니다. 이 매개변수는 RNA 캡슐화, 엔도솜 탈출, 그리고 독성에 영향을 미칩니다. |
| 5. |
Buffer Composition |
|
• |
지질과 RNA의 무결성 (integrity) 을 유지하기 위해 완충액을 신중하게 선택해야 합니다. |
|
• |
제조 과정에서 Buffer solution 의 pH 와 이온 강도는 지질의 이온화 상태에 영향을 미치며, 이는 다시 LNP 의 크기와 캡슐화 효율에 영향을 줍니다. |
| 6. |
Formulation Method |
|
• |
LNPs는 일반적으로 두 가지 상을 혼합하여 나노입자의 자가 조립을 유도하는 상향식(bottom-up) 방식으로 제조됩니다. |
|
• |
Mixing Technique -- 예를 들어 수동 혼합, macrofluidic 또는 미세유체 (microfluidics) 방식 -- 은 LNP 형성 과정 (일반적으로 자가 조립에 의해) 과 그에 따른 크기,
캡슐화 효율, 형태 등 모든 핵심 품질 특성 (CQA) 에 상당한 영향을 미칩니다.. |
|
Landscape of the available methods for lipid nanoparticles synthesis and manufacturing |
| 7. |
Formulation Parameters |
|
• |
사용되는 formulation 방법에 따라 formulation parameter 들은 자가 조립 과정에도 영향을 미칩니다. |
|
• |
예를 들어, 미세유체 방식은 유량 비율 (FRR) 및 총 유량 (TFR) 과 같은 매개변수를 정밀하게 제어할 수 있게 하여, 입자 크기와 균일성에 직접적인 영향을 줍니다.
가령, 미세유체 방식에서는 더 높은 TFR 이 일반적으로 더 작은 LNP 를 형성합니다. |
| 8. |
Downstream Processing |
|
• |
사용되는 formulation 방법에 따라 formulation parameter 들은 자가 조립 과정에도 영향을 미칩니다. |
|
• |
예를 들어, 미세유체 방식은 유량 비율 (FRR) 및 총 유량 (TFR) 과 같은 매개변수를 정밀하게 제어할 수 있게 하여, 입자 크기와 균일성에 직접적인 영향을 줍니다.
가령, 미세유체 방식에서는 더 높은 TFR 이 일반적으로 더 작은 LNP 를 형성합니다. |
|
|
 |
| 9. |
Targeting Ligands (for the Next-Generation LNPs) |
|
• |
항체, 펩타이드 또는 압타머와 같은 능동 표적화 (active targeting) 요소를 통합하면 조직 특이적 전달을 가능하게 하고 간 친화성 (liver tropism) 을 극복하는 데 도움이 될 수 있습니다. |
LNP Critical Quality Attributes (CQAs)
CQAs 는 LNP 의 안전성, 효능 및 재현성에 직접적인 영향을 미치는 물리적, 화학적 특성을 정의합니다. 사소한 편차라도 치료 성능의 변화로 이어질 수 있습니다. 주요 CQAs 는 아래 표에 요약되어 있습니다.
| CQA |
Description |
Typical LNP Characterization Method |
Impact |
| LNP Composition |
Lipid composing the LNP & ratio of the different lipids |
Liquid chromatography |
Impacts RNA stability, encapsulation & delivery efficiency, stability, and therapeutic efficacy. |
| Size |
Nanoparticle mean diameter. Typical mean nanoparticle size range: 60-120 nm |
DLS, NTA |
Affects cellular uptake, biodistribution, circulation time, and toxicity |
| Polydispersity Index |
Measures size uniformity; lower PDI indicates higher uniformity (<0.2 is ideal). |
DLS, NTA |
Ensures consistent therapeutic performance and reduces off-target effects & toxicity. |
| Zeta Potential |
Reflects surface charge, influenced by lipid composition |
DLS |
Affects LNP stability (low charge) and toxicity (high charge). |
| Encapsulation Efficiency |
Percentage of RNA successfully encapsulated (>90% is optimal). |
Fluorescence-based assay |
Poor encapsulation increases free RNA, raising toxicity and reducing therapeutic efficacy. |
| Morphology |
Includes factors like blebs, full/empty ratio, and RNA copy number per LNP. |
Cryo-TEM |
Influences internalization, delivery efficiency, and stability. |
| Drug Loading |
Mass ratio of drug to drug-loaded nanoparticles. |
Nano flow cytometers |
Therapeutic efficacy and toxicity. |
| RNA Purity |
Evaluate the presence of impurities or contaminants in the RNA. |
High-performance liquid chromatography |
Can trigger an immune response and/or increase toxicity. |
따라서 위에서 보다시피, CPP (핵심 공정 변수) 와 CQA (핵심 품질 특성), 그리고 최종 의약품 특성 사이에는 다음과 같은 다수의 상호 의존성이 존재합니다.
| • |
지질 구성 및 비율: 모든 공정 변수, 나아가 모든 QTPP(핵심 품질 목표 제품 특성)에 영향을 미칩니다. |
| • |
제형화 방법 및 매개변수: 거의 모든 CQA에 영향을 미치며, 결과적으로 최종 의약품의 모든 매개변수에 영향을 줍니다. |
이러한 맥락에서 스크리닝(최적화된 후보를 선별하는 과정) 시, 연구자들은 RNA 전달 효율을 극대화하고 독성을 최소화하며 재현성을 보장하는 새로운 LNP 제형을 개발하기 위해
이러한 CPP 를 최적화하고 CQA 를 면밀히 모니터링해야 합니다.
Example of the impact of the LNP formulation method on the CQAs &
Quality attributes of the drug product.
LNP Screening Optimization Approaches
수많은 핵심 공정 변수 (CPP) 와 그 상호 의존성을 고려할 때, LNP 스크리닝의 주된 목표는 후보 물질의 최적 작동 조건을 식별하는 데 필요한 formulation 의 수를 최소화하는 것입니다.
이상적으로 이 과정은 미래 formulation 을 위한 예측 모델로 이어져야 합니다. 이러한 분야에서는 두 가지 핵심 전략이 부상했습니다.
바로 실험계획법 (DOE) 과 LNP 제형 분야에서 점점 더 많이 탐구되고 있는 인공지능 (AI) 의 역할입니다.
Design of Experiments (DOE) in LNP Screening
실험계획법 (DOE) 은 여러 요인과 결과 간의 관계를 탐색하는 체계적이고 효율적인 접근 방식으로, LNP 스크리닝에 특히 적합합니다. LNP 개발 맥락에서 DOE는 연구자들이
CPP (핵심 공정 변수) 가 CQA (핵심 품질 특성) 에 미치는 영향을 구조화된 방식으로 평가할 수 있게 합니다. 이 방법은 전통적인 시행착오 접근 방식에 비해 훨씬 적은 수의 실험으로
최적의 제형을 식별합니다.
DOE 는 통계 모델을 활용하여 지질 구성, 지질 비율, 제형 매개변수와 같은 여러 변수 및 이들의 상호작용을 동시에 평가할 수 있게 합니다.
이 접근 방식은 자원 소비를 줄일 뿐만 아니라 이러한 요인들이 캡슐화 효율, 입자 크기, 생체 분포와 같은 핵심 특성에 어떻게 총체적으로 영향을 미치는지에 대한 더 깊은 통찰력을 제공합니다.
결과적으로 DOE는 강력한 LNP 제형 식별을 가속화하여, 필요한 시험 제형의 수를 줄이면서도 효율성, 비용 및 치료 성능 간의 균형을 보장합니다.
Design-Expert®, JMP®, Minitab® 과 같은 전문 소프트웨어는 실험 설계 및 분석을 용이하게 하여 DOE 접근 방식의 구현을 더욱 접근하기 쉽고 효과적으로 만듭니다.
LNP Formulation Screening Using Artificial Intelligence (AI)
주어진 방대한 양의 LNP 제형 관련 데이터를 고려할 때, AI 는 가장 성공적인 제형을 예측하기 위한 도구로 점점 더 연구되고 있습니다.
AI 는 최근 연구 (참고문헌) 에서 입증되었듯이 이온화 가능한 지질의 합리적인 설계에 이미 유용성을 입증했습니다. 이러한 궤적은 LNP 분야에서 더 광범위한 응용 가능성이 크다는 것을 시사합니다.
하지만 전반적인 제형화 공정에 있어서는 여전히 상당한 한계가 남아 있습니다. 크리스틴 앨런 토론토 대학교 교수님이 플로리다주 올랜도에서 열린 나노의약 및 약물 전달 심포지엄 (2024) 에서 강조했듯이,
여러 가지 문제들이 AI의 LNP 스크리닝 적용을 방해하고 있습니다.
| • |
Lack of Uniformity : LNP 준비 방법의 다양성과 실험 조건 보고의 불일치로 인해 표준화가 어렵습니다. |
| • |
Incomplete Data : 많은 과학 출판물에서 제형 조건에 대한 포괄적인 보고가 부족하여 AI 모델을 위한 견고한 데이터 세트 개발을 저해합니다. |
| • |
High Data Requirements : 효과적인 AI 모델을 훈련하는 데 필요한 방대한 양의 데이터는 장벽으로 작용합니다. 특히 LNP 성능에 영향을 미치는 다양한 매개변수를 고려할 때 더욱 그렇습니다. |
이러한 어려움에도 불구하고, AI 는 LNP 스크리닝의 미래 발전을 위한 유망한 도구라 할 수 있습니다. 보고 표준 개선, 데이터 수집, 그리고 협력적인 노력을 통해 현재의 한계를 해결한다면,
AI는 전통적인 DOE (실험계획법) 접근 방식을 보완하여 더욱 효율적이고 예측 가능한 LNP 제형 전략의 길을 열 수 있을 것입니다..
The Importance of the Right Choice of LNP Formulation Method
나노입자 제형 공정 및 관련 매개변수는 나노입자의 핵심 품질 특성 (CQA) 에 큰 영향을 미치므로, 개발 초기 단계부터 이러한 요소들을 다루는 것이 매우 중요합니다.
이를 소홀히 할 경우 스케일업 과정에서 상당한 차질이 발생하여 나노입자의 품질과 치료 결과가 저해될 수 있습니다.
Screening Requirements
선별 과정은 일반적으로 두 단계로 진행됩니다.
| • |
In Vitro 테스트 : 이 단계에서는 광범위한 제형 풀에서 핵심 후보 물질을 평가합니다. 물리화학적 특성 분석과 초기 세포 기반 분석을 통해 유망한 후보를 식별합니다. |
| • |
In Vivo 테스트 : In vitro 테스트에서 확인된 후보 물질은 효능 및 안전성을 검증하기 위해 더욱 상세한 생체 내(in vivo) 선별 과정을 거칩니다. 동물 실험의 비용 및 윤리적 고려 사항 때문에 이 단계는 최소화되며, 최종적으로 선도 LNP(지질 나노입자) 제형을 결정하기 위해 가장 유망한 LNP 후보에 집중합니다. |
In vitro 테스트 중에는 소량으로 광범위한 LNP 제형을 특성화하는 것이 목표입니다. 일반적으로 동적 광산란 (DLS) 을 이용한 크기, 다분산 지수 (PDI), 제타 전위 분석, 캡슐화 효율, 초기 세포 기반 분석과 같은
필수 테스트에는 수백 마이크로리터 (100s of μL) 면 충분합니다. In vivo 테스트의 경우, 주사 및 부스터의 필요 횟수에 따라 제형 부피가 밀리리터 (mL) 단위로 증가할 수 있습니다.
High throughput in vivo Screening
최근 여러 대학과 기업들은 기존의 시험관 내 (in vitro) 테스트를 우회하여 생체 내 (in vivo) 에서 직접 RNA-LNP 제형을 테스트할 수 있는 새로운 고처리량 (high-throughput) 접근법을 개발했습니다.
기존 시험관 내 테스트는 때때로 신뢰할 수 없는 결과를 낳을 수 있습니다. 이러한 혁신적인 방법들은 각각 핵산에 부착된 DNA 바코드로 고유하게 표지된 여러 RNA-LNP 제형을 동시에 주입하는 것을
포함합니다. 이 바코드 덕분에 각 RNA-LNP 제형의 생체 분포 및 효능을 독립적으로 정확하게 추적하고 평가할 수 있으며, 이는 생물학적으로 관련된 환경에서 해당 제형의 성능에 대한 귀중한 통찰력을 제공합니다.
Why using microfluidics for LNP formulation screening is key?
| |
Top-Down |
Bottom-Up |
|
High Energy
Extrusion / HPH / Sonication |
Thin Film Hydration |
Manual
Batch / Pipeting |
SCF
Supercritical Fluids |
Macrofluidics
T-junction / IJM |
Microfluidics
Herringbone / Baffle |
Size Control &
Repeatibility |
Good |
Low |
Low |
Good |
Average |
Excellent |
| Homogeneity |
Average
(multi syeps) |
Average |
Low to Average |
Low |
Average to Good |
Great (PDI <0.2) |
| Encapsulation Efficiency |
Average |
Good |
Average |
Good |
Good |
Excellent
(>95%) |
| Processing Time |
Variable |
Slow |
Fast |
Slow |
Fast |
Very Fast |
| Achievable Volume Range |
mL /L |
mL |
ul / ml |
mL |
mL / L |
uL / mL |
| Commercially available |
Yes |
Yes |
Yes |
No |
Yes |
Yes |
| Main Characteristics |
Easily Scalable |
Widely Available |
Simple & Affordable |
High Temperature and Pressure |
Large Scale |
Best NP control |
An Practical Example of RNA-LNP Screening Process with Microfluidics using TAMARA
프랑스의 RNA-LNP 제형 분야 선두 주자인 ART-ARNm INSERM 연구소와 협력하여, 우리는 TAMARA 미세유체 플랫폼을 활용한 기본적인 LNP 스크리닝 연구를 수행했습니다.
본 연구의 목표는 자체 개발한 지질을 사용하여 특정 LNP 조성에 대한 제형 공정 매개변수의 영향을 평가하고, TAMARA의 성능을 다른 미세유체 방법들과 비교하는 것이었습니다.
Volume & Reproducibility
초기 테스트에서는 제형 부피가 LNP 크기 및 PDI(다분산 지수)에 미치는 영향을 평가하여 이상적인 제형 부피를 확인했습니다.
(A) Comparison of mRNA-LNP size and PDI formulated using TAMARA at 400 μL and 700 μL volumes,
under identical formulation conditions. (B) Comparison of mRNA-LNP size and PDI formulated using TAMARA at 400 μL and 200 μL volumes,
under identical formulation conditions.
400 μL 와 700 μL 부피의 제형은 LNP 크기가 이상적인 범위에 들면서 일관된 결과를 보인 반면, 200 μL 부피에서는 더 높은 가변성과 큰 PDI 가 나타났습니다.
이 결과를 바탕으로, 후속 실험을 위한 최소 부피는 400 μL 로 결정되었습니다
Volume & Reproducibility
두 번째 단계에서는 다양한 부피에서 캡슐화 효율을 테스트했습니다.
Encapsulation efficiency and encapsulation yield with TAMARA at 400 and 700 μL
TAMARA는 낮은 부피에서도 90%를 초과하는 캡슐화 효율(EE%)을 달성했습니다. 하지만, 캡슐화 수율(EY%)은 소규모 스케일에서 약간 더 낮게 나타나, 추가 최적화의 기회가 있음을 시사했습니다.
Graph comparing the performances of TAMARA and the Ignite by Precision Nanosystems for the screening of RNA-LNP formulation
이와 동시에, 동일한 부피에서 DOE (실험계획법) 를 통해 이전에 최적화된 또 다른 표준 미세유체 방식 (Precision Nanosystems 의 Ignite 와 같은 토로이달 믹서) 과 비교하였습니다.
두 가지 방식을 비교했을 때, TAMARA 는 유사하거나 더 나은 캡슐화 효율 (+5%) 과 우수한 RNA 회수율 (+20%) 을 보여, 전반적으로 상당히 개선된 결과를 가져왔습니다.
Cell-based Testing
마지막으로, 주요 히트 (main hits) 를 식별하기 위해 세포에 대한 일련의 테스트를 수행하였습니다.
Graph comparing the in vitro response of RNA LNP screened using TAMARA under different formulation conditions
세포 분석 결과, TAMARA 로 생산된 다양한 LNP 제형에서 일관된 Transfection Efficiency (>90%) 가 나타났습니다. 제형 매개변수를 변경함으로써, 단백질 발현 (GeoMFI) 및 세포 생존율에서
유의미한 차이가 관찰되었습니다.
Graph comparing the in vitro response of RNA LNP screened using both the TAMARA and the Ignite by Precision Nanosystems
DOE (실험계획법) 를 통해 최적화된 다른 미세유체 방식과 비교했을 때, TAMARA 는 더 낮은 제형 부피에서도 유사하거나 더 나은 단백질 발현 결과, 유사한 Transfection Efficiency, 그리고 우수한 세포 생존율을 보였습니다.
본 연구는 LNP 의 핵심 품질 특성 (CQA) 에 대한 제형 공정 및 매개변수의 깊은 영향을 강조합니다. 단일 CPP (핵심 공정 변수) 의 사소한 변화조차도 최종 치료 결과에 상당한 영향을 미칠 수 있습니다.
입증된 바와 같이, 미세유체 기술, 특히 TAMARA 는 효율적인 LNP 스크리닝을 위한 견고하고 재현 가능한 플랫폼을 제공합니다. 이를 통해 CPP 를 정밀하게 조절하고, RNA 및 지질 소비를 최소화하면서
최적의 제형을 식별하는 데 기여합니다.
Conclusion on LNP Formulation Screening
LNP 제형 스크리닝은 RNA 기반 치료제 개발에서 복잡하지만 필수적인 단계입니다. 핵심 공정 변수 (CPP), 핵심 품질 특성 (CQA), 그리고 품질 목표 제품 특성 (QTPP) 간의 상호작용을 이해함으로써,
약물 개발자는 안전성, 효능 및 재현성을 위한 제형 최적화에 대해 정보에 입각한 결정을 내릴 수 있습니다. 그러나 전체 공간을 평가하기 위해 수행해야 할 테스트 수는 방대하며,
RNA 와 지질 비용이 이를 저해하는 요인입니다.
실험계획법 (DOE) 및 인공지능 (AI) 과 같은 고급 도구 및 방법론은 테스트할 제형의 수를 최소화할 수 있게 하지만, 이러한 도구들은 미세유체기술과 같은 최첨단 제형 방법과 결합되어야 합니다.
이는 이 과정을 크게 간소화하고 RNA 소비를 최소화하여, 방대한 실험 공간을 정밀하고 효율적으로 탐색하면서 비용을 가능한 한 낮게 유지할 수 있도록 합니다.
그러나 분야가 발전함에 따라, 소량 스크리닝과 대규모 제형 생산을 원활하게 연결하는 확장 가능한 솔루션의 필요성이 점점 더 분명해지고 있습니다.
이러한 솔루션은 스케일 전반에 걸쳐 QTPP 일관성을 유지하는 데 필수적이며, 효율적이고 재현 가능한 약물 개발의 길을 열어줍니다.
Inside Therapeutics 는 다가오는 NanoPulse 기술을 통해 이러한 과제를 해결하고 있으며, 이는 혁신적인 솔루션을 제공할 것을 약속합니다.
|
|
