डिज़ाइन किए गए मिश्रण-प्रक्रिया प्रयोगों और स्व-मान्य एन्सेंबल मॉडल (एसवीईएम) का उपयोग करके लिपिड नैनोपार्टिकल (एलएनपी) फॉर्मूलेशन अनुकूलन के लिए एक वर्कफ़्लो

Summary

यह प्रोटोकॉल मिश्रण, निरंतर और श्रेणीबद्ध अध्ययन कारकों पर अनुकूलन तैयार करने के लिए एक दृष्टिकोण प्रदान करता है जो प्रयोगात्मक डिजाइन निर्माण में व्यक्तिपरक विकल्पों को कम करता है। विश्लेषण चरण के लिए, एक प्रभावी और उपयोग में आसान मॉडलिंग फिटिंग प्रक्रिया नियोजित है।

Abstract

हम लिपिड नैनोपार्टिकल (एलएनपी) फॉर्मूलेशन को अनुकूलित करने के लिए डिजाइन द्वारा गुणवत्ता (क्यूबीडी) स्टाइल दृष्टिकोण प्रस्तुत करते हैं, जिसका उद्देश्य वैज्ञानिकों को एक सुलभ वर्कफ़्लो प्रदान करना है। इन अध्ययनों में अंतर्निहित प्रतिबंध, जहां आयनेबल, सहायक और पीईजी लिपिड के दाढ़ अनुपात को 100% तक जोड़ना चाहिए, इस मिश्रण बाधा को समायोजित करने के लिए विशेष डिजाइन और विश्लेषण विधियों की आवश्यकता होती है। लिपिड और प्रक्रिया कारकों पर ध्यान केंद्रित करते हुए जो आमतौर पर एलएनपी डिजाइन अनुकूलन में उपयोग किए जाते हैं, हम ऐसे कदम प्रदान करते हैं जो पारंपरिक रूप से अंतरिक्ष-भरने वाले डिजाइनों को नियोजित करके और स्व-मान्य पहनावा मॉडल (एसवीईएम) के हाल ही में विकसित सांख्यिकीय ढांचे का उपयोग करके मिश्रण-प्रक्रिया प्रयोगों के डिजाइन और विश्लेषण में उत्पन्न होने वाली कई कठिनाइयों से बचते हैं। उम्मीदवार इष्टतम योगों के उत्पादन के अलावा, वर्कफ़्लो फिट किए गए सांख्यिकीय मॉडल के ग्राफिकल सारांश भी बनाता है जो परिणामों की व्याख्या को सरल बनाता है। नए पहचाने गए उम्मीदवार फॉर्मूलेशन का मूल्यांकन पुष्टिकरण रन के साथ किया जाता है और वैकल्पिक रूप से अधिक व्यापक दूसरे चरण के अध्ययन के संदर्भ में आयोजित किया जा सकता है।

Introduction

विवो जीन वितरण प्रणालियों में लिपिड नैनोपार्टिकल (एलएनपी) फॉर्मूलेशन में आम तौर पर आयनेबल, हेल्पर और पीईजी लिपिड ^1,2,3 की श्रेणियों से चार घटक लिपिड शामिल होते हैं। चाहे इन लिपिडों का अध्ययन अकेले किया जा रहा हो या अन्य गैर-मिश्रण कारकों के साथ-साथ, इन योगों के प्रयोगों के लिए “मिश्रण” डिजाइनों की आवश्यकता होती है क्योंकि – एक उम्मीदवार सूत्रीकरण को देखते हुए – किसी भी एक लिपिड के अनुपात को बढ़ाने या घटाने से आवश्यक रूप से अन्य तीन लिपिडों के अनुपात के योग में कमी या वृद्धि होती है।

उदाहरण के लिए, यह माना जाता है कि हम एक एलएनपी फॉर्मूलेशन का अनुकूलन कर रहे हैं जो वर्तमान में एक सेट नुस्खा का उपयोग करता है जिसे बेंचमार्क के रूप में माना जाएगा। लक्ष्य एलएनपी की शक्ति को अधिकतम करना है, जबकि दूसरा औसत कण आकार को कम करना है। प्रयोग में विविध अध्ययन कारक चार घटक लिपिड (आयनेबल, कोलेस्ट्रॉल, डोप, पीईजी), एन: पी अनुपात, प्रवाह दर और आयनीय लिपिड प्रकार के दाढ़ अनुपात हैं। आयनीय और सहायक लिपिड (कोलेस्ट्रॉल सहित) को पीईजी की तुलना में 10-60% दाढ़ अनुपात की एक विस्तृत श्रृंखला में भिन्न होने की अनुमति है, जो इस चित्रण में 1-5% से भिन्न होगा। बेंचमार्क फॉर्मूलेशन रेसिपी और अन्य कारकों की श्रेणियां और उनकी राउंडिंग ग्रैन्यूलैरिटी पूरक फ़ाइल 1 में निर्दिष्ट की गई है। इस उदाहरण के लिए, वैज्ञानिक एक ही दिन में 23 रन (कणों के अद्वितीय बैच) करने में सक्षम हैं और यदि यह न्यूनतम आवश्यकताओं को पूरा करता है तो इसे अपने नमूना आकार के रूप में उपयोग करना चाहते हैं। इस प्रयोग के लिए सिम्युलेटेड परिणाम पूरक फ़ाइल 2 और पूरक फ़ाइल 3 में प्रदान किए जाते हैं ।

रामपाडो और पीयर⁴ ने नैनोपार्टिकल-आधारित दवा वितरण प्रणालियों के अनुकूलन के लिए डिज़ाइन किए गए प्रयोगों के विषय पर एक हालिया समीक्षा पत्र प्रकाशित किया है। कॉफमैन एट ^अल.5 ने आंशिक तथ्यात्मक और निश्चित स्क्रीनिंग डिजाइन⁶ का उपयोग करके एलएनपी अनुकूलन अध्ययनों पर विचार किया; हालांकि, इस प्रकार के डिज़ाइन अक्षम “स्लैक ^{चर” 7} के उपयोग का सहारा लिए बिना मिश्रण बाधा को समायोजित नहीं कर सकते हैं और आमतौर पर उपयोग नहीं किए जाते हैं जब मिश्रण कारक ^7,8 मौजूद होते हैं। इसके बजाय, मिश्रण बाधा को शामिल करने में सक्षम “इष्टतम डिजाइन” पारंपरिक रूप से मिश्रण-प्रक्रिया^{प्रयोगों के} लिए उपयोग किए जाते हैं। ये डिज़ाइन अध्ययन कारकों के उपयोगकर्ता-निर्दिष्ट फ़ंक्शन को लक्षित करते हैं और केवल इष्टतम होते हैं (कई संभावित इंद्रियों में से एक में) यदि यह फ़ंक्शन अध्ययन कारकों और प्रतिक्रियाओं के बीच सही संबंध को पकड़ता है। ध्यान दें कि पाठ में “इष्टतम डिजाइन” और “इष्टतम फॉर्मूलेशन उम्मीदवारों” के बीच एक अंतर है, जिसमें उत्तरार्द्ध एक सांख्यिकीय मॉडल द्वारा पहचाने गए सर्वोत्तम योगों का उल्लेख करता है। इष्टतम डिजाइन मिश्रण-प्रक्रिया प्रयोगों के लिए तीन मुख्य नुकसान के साथ आते हैं। सबसे पहले, यदि वैज्ञानिक लक्ष्य मॉडल को निर्दिष्ट करते समय अध्ययन कारकों की बातचीत का अनुमान लगाने में विफल रहता है, तो परिणामी मॉडल पक्षपाती होगा और हीन उम्मीदवार फॉर्मूलेशन का उत्पादन कर सकता है। दूसरा, इष्टतम डिजाइन कारक स्थान की बाहरी सीमा पर अधिकांश रन रखते हैं। एलएनपी अध्ययनों में, यह बड़ी संख्या में खोए हुए रन का कारण बन सकता है यदि कण लिपिड या प्रक्रिया सेटिंग्स के किसी भी चरम सीमा पर सही ढंग से नहीं बनते हैं। तीसरा, वैज्ञानिक अक्सर प्रतिक्रिया सतह की एक मॉडल-स्वतंत्र समझ हासिल करने और कारक स्थान के पहले से अस्पष्टीकृत क्षेत्रों में सीधे प्रक्रिया का निरीक्षण करने के लिए कारक स्थान के इंटीरियर पर प्रयोगात्मक रन करना पसंद करते हैं।

एक वैकल्पिक डिजाइन सिद्धांत अंतरिक्ष भरने वाले डिजाइन¹⁰ के साथ (मिश्रण-विवश) कारक स्थान के अनुमानित समान कवरेज को लक्षित करना है। ये डिज़ाइन इष्टतम डिज़ाइन⁹ के सापेक्ष कुछ प्रयोगात्मक दक्षता का त्याग करते हैं (यह मानते हुए कि पूरे कारक स्थान वैध योगों की ओर जाता है) लेकिन एक ट्रेड-ऑफ में कई लाभ प्रस्तुत करते हैं जो इस एप्लिकेशन में उपयोगी हैं। अंतरिक्ष भरने वाला डिज़ाइन प्रतिक्रिया सतह की संरचना के बारे में कोई प्राथमिक धारणा नहीं बनाता है; यह अध्ययन कारकों के बीच अप्रत्याशित संबंधों को पकड़ने के लिए लचीलापन देता है। यह डिजाइन पीढ़ी को भी सुव्यवस्थित करता है क्योंकि इसे निर्णय लेने की आवश्यकता नहीं होती है कि वांछित रन आकार समायोजित होने के रूप में कौन से प्रतिगमन शब्दों को जोड़ना या हटाना है। जब कुछ डिजाइन बिंदु (व्यंजनों) असफल योगों की ओर ले जाते हैं, तो अंतरिक्ष भरने वाले डिजाइन अध्ययन कारकों पर विफलता सीमा को मॉडल करना संभव बनाते हैं, जबकि सफल कारक संयोजनों पर अध्ययन प्रतिक्रियाओं के लिए सांख्यिकीय मॉडल का समर्थन भी करते हैं। अंत में, कारक स्थान का आंतरिक कवरेज प्रतिक्रिया सतह के मॉडल-स्वतंत्र ग्राफिकल अन्वेषण की अनुमति देता है।

मिश्रण-प्रक्रिया प्रयोग के मिश्रण कारक की कल्पना करने के लिए, विशेष त्रिकोणीय “त्रिगुट भूखंड” का उपयोग किया जाता है। चित्र 1 इस उपयोग को प्रेरित करता है: उन बिंदुओं के घन में जहां तीन अवयवों को 0 से 1 तक की सीमा की अनुमति है, वे बिंदु जो एक बाधा को पूरा करते हैं कि सामग्री का योग 1 के बराबर है, लाल रंग में हाइलाइट किए गए हैं। तीन अवयवों पर मिश्रण बाधा एक त्रिकोण के लिए व्यवहार्य कारक स्थान को कम कर देती है। चार मिश्रण अवयवों के साथ एलएनपी अनुप्रयोगों में, हम एक “अन्य” अक्ष के खिलाफ एक समय में दो लिपिड को प्लॉट करके कारक स्थान का प्रतिनिधित्व करने के लिए छह अलग-अलग त्रिआधारी भूखंडों का उत्पादन करते हैं जो अन्य लिपिड के योग का प्रतिनिधित्व करता है।

चित्र 1: त्रिकोणीय कारक क्षेत्र। घन के भीतर अंतरिक्ष भरने वाले भूखंड में, छोटे ग्रे डॉट्स उन योगों का प्रतिनिधित्व करते हैं जो मिश्रण बाधा के साथ असंगत हैं। बड़े लाल बिंदु घन के भीतर अंकित एक त्रिभुज पर स्थित होते हैं और उन योगों का प्रतिनिधित्व करते हैं जिनके लिए मिश्रण बाधा संतुष्ट होती है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

लिपिड मिश्रण कारकों के अलावा, अक्सर एक या अधिक निरंतर प्रक्रिया कारक होते हैं जैसे कि एन: पी अनुपात, बफर एकाग्रता, या प्रवाह दर। श्रेणीबद्ध कारक मौजूद हो सकते हैं, जैसे आयनीय लिपिड प्रकार, सहायक लिपिड प्रकार, या बफर प्रकार। लक्ष्य एक सूत्रीकरण (प्रक्रिया कारकों के लिए लिपिड और सेटिंग्स का मिश्रण) खोजना है जो शक्ति के कुछ माप को अधिकतम करता है और / या भौतिक रासायनिक विशेषताओं में सुधार करता है जैसे कण आकार और पीडीआई (पॉलीडिस्पर्सिटी इंडेक्स) को कम करना, प्रतिशत एनकैप्सुलेशन को अधिकतम करना, और साइड इफेक्ट्स को कम करना – जैसे कि शरीर का वजन कम करना – विवो अध्ययनों में । यहां तक कि एक उचित बेंचमार्क नुस्खा से शुरू करते समय, आनुवंशिक पेलोड में बदलाव को देखते हुए या प्रक्रिया कारकों या लिपिड प्रकारों में परिवर्तन पर विचार करते समय फिर से अनुकूलन करने में रुचि हो सकती है।

कॉर्नेल⁷ मिश्रण और मिश्रण-प्रक्रिया प्रयोगों के सांख्यिकीय पहलुओं पर एक निश्चित पाठ प्रदान करता है, जिसमें मायर्स एट ^अल.9 अनुकूलन के लिए सबसे प्रासंगिक मिश्रण डिजाइन और विश्लेषण विषयों का एक उत्कृष्ट सारांश प्रदान करता है। हालांकि, ये काम सांख्यिकीय विवरण और विशेष शब्दावली के साथ वैज्ञानिकों को अधिभार ति कर सकते हैं। प्रयोगों के डिजाइन और विश्लेषण के लिए आधुनिक सॉफ्टवेयर एक मजबूत समाधान प्रदान करता है जो प्रासंगिक सिद्धांत से अपील किए बिना अधिकांश एलएनपी अनुकूलन समस्याओं का पर्याप्त रूप से समर्थन करेगा। जबकि अधिक जटिल या उच्च-प्राथमिकता वाले अध्ययन अभी भी एक सांख्यिकीविद् के साथ सहयोग से लाभान्वित होंगे और अंतरिक्ष भरने वाले डिजाइनों के बजाय इष्टतम को नियोजित कर सकते हैं, हमारा लक्ष्य वैज्ञानिकों के आराम स्तर में सुधार करना और अक्षम वन-फैक्टर-एट-ए-टाइम (ओएफएटी) परीक्षण¹¹ की अपील किए बिना एलएनपी फॉर्मूलेशन के अनुकूलन को प्रोत्साहित करना है या बस विनिर्देशों को संतुष्ट करने वाले पहले फॉर्मूलेशन के लिए समझौता करना है।

इस लेख में, एक वर्कफ़्लो प्रस्तुत किया गया है जो एक सामान्य एलएनपी फॉर्मूलेशन समस्या को अनुकूलित करने के लिए सांख्यिकीय सॉफ़्टवेयर का उपयोग करता है, डिज़ाइन और विश्लेषण के मुद्दों को इस क्रम में संबोधित करता है कि उनका सामना किया जाएगा। वास्तव में, विधि सामान्य अनुकूलन समस्याओं के लिए काम करेगी और एलएनपी तक ही सीमित नहीं है। रास्ते में, उठने वाले कई सामान्य प्रश्नों को संबोधित किया जाता है और सिफारिशें प्रदान की जाती हैं जो अनुभव और^{सिमुलेशन परिणामों में} आधारित होती हैं। स्व-मान्य पहनावा मॉडल (एसवीईएम) ¹³ के हाल ही में विकसित ढांचे ने मिश्रण-प्रक्रिया प्रयोगों से परिणामों का विश्लेषण करने के लिए अन्यथा नाजुक दृष्टिकोण में काफी सुधार किया है, और हम इस दृष्टिकोण का उपयोग सूत्रीकरण अनुकूलन के लिए एक सरलीकृत रणनीति प्रदान करने के लिए करते हैं। जबकि वर्कफ़्लो का निर्माण एक सामान्य तरीके से किया जाता है जिसे अन्य सॉफ़्टवेयर पैकेजों का उपयोग करके पालन किया जा सकता है, जेएमपी 17 प्रो ग्राफिकल सारांश टूल के साथ एसवीईएम की पेशकश करने में अद्वितीय है जिसे हमने मिश्रण-प्रक्रिया प्रयोगों के अन्यथा आर्केन विश्लेषण को सरल बनाने के लिए आवश्यक पाया है। नतीजतन, प्रोटोकॉल में जेएमपी-विशिष्ट निर्देश भी प्रदान किए जाते हैं।

एसवीईएम पारंपरिक दृष्टिकोण के समान रैखिक प्रतिगमन मॉडल नींव को नियोजित करता है, लेकिन यह हमें थकाऊ संशोधनों से बचने की अनुमति देता है जो आगे के चयन या दंडित चयन (लासो) आधार दृष्टिकोण का उपयोग करके उम्मीदवार प्रभावों के “पूर्ण मॉडल” को फिट करने के लिए आवश्यक हैं। इसके अतिरिक्त, एसवीईएम एक बेहतर “कम मॉडल” फिट प्रदान करता है जो डेटा में दिखाई देने वाले शोर (प्रक्रिया प्लस विश्लेषणात्मक विचरण) को शामिल करने की क्षमता को कम करता है। यह मॉडल ^{13,14,15,16,17,18} में प्रत्येक रन के सापेक्ष महत्व को बार-बार दोहराने के परिणामस्वरूप अनुमानित मॉडल ों के औसत से काम करता है। एसवीईएम मिश्रण-प्रक्रिया प्रयोगों के मॉडलिंग के लिए एक रूपरेखा प्रदान करता है जो पारंपरिक एकल-शॉट प्रतिगमन की तुलना में लागू करना आसान है और बेहतर गुणवत्ता वाले इष्टतम फॉर्मूलेशन उम्मीदवारों^12,13 का उत्पादन करता है। एसवीईएम के गणितीय विवरण इस पेपर के दायरे से परे हैं और यहां तक कि प्रासंगिक साहित्य समीक्षा से परे एक सरसरी सारांश भी इस आवेदन में अपने मुख्य लाभ से विचलित होगा: यह चिकित्सकों के लिए एक सरल, मजबूत और सटीक क्लिक-टू-रन प्रक्रिया की अनुमति देता है।

प्रस्तुत वर्कफ़्लो दवा विकास²⁰ के लिए डिज़ाइन द्वारा गुणवत्ता (क्यूबीडी) ¹⁹ दृष्टिकोण के अनुरूप है। अध्ययन का परिणाम कार्यात्मक संबंधों की समझ होगी जो सामग्री विशेषताओं और प्रक्रिया मापदंडों को महत्वपूर्ण गुणवत्ता विशेषताओं (सीक्यूए) ²¹ से जोड़ता है। डैनियल एट अल ^.22 विशेष रूप से आरएनए प्लेटफॉर्म उत्पादन के लिए क्यूबीडी फ्रेमवर्क का उपयोग करने पर चर्चा करें: हमारे वर्कफ़्लो को इस ढांचे के भीतर एक उपकरण के रूप में उपयोग किया जा सकता है।

Protocol

प्रतिनिधि परिणाम अनुभाग में वर्णित प्रयोग प्रयोगशाला जानवरों की देखभाल और उपयोग के लिए गाइड के अनुसार किया गया था और प्रक्रियाओं को हमारे संस्थागत पशु देखभाल और उपयोग समिति (आईएसीयूसी) द्वारा स्थापि…

Representative Results

इस दृष्टिकोण को मोटे तौर पर वर्गीकृत लिपिड प्रकारों में मान्य किया गया है: एमसी 3 जैसे शास्त्रीय लिपिड और लिपिडोइड (जैसे, सी 12-200), आमतौर पर मिश्रित रसायन विज्ञान से प्राप्त। वन फैक्टर एट ए टाइम (ओएफएटी) विध?…

Discussion

मिश्रण-प्रक्रिया प्रयोगों के डिजाइन और विश्लेषण के लिए आधुनिक सॉफ्टवेयर वैज्ञानिकों के लिए एक संरचित वर्कफ़्लो में अपने लिपिड नैनोपार्टिकल योगों में सुधार करना संभव बनाता है जो अक्षम ओएफएटी प्रयोग…

Materials

JMP Pro 17.1

JMP Statistical Discovery LLC