Characterizing AAV Aggregates with Subvisible Particle Analysis

Shrnutí: Charakterizace agregátů AAV pomocí analýzy subviditelných částic

Význam tématu

Subviditelné částice (přibližně 1 μm až 100 μm) v parenterálních přípravcích, včetně genové terapie s AAV (adeno-asociované viry), představují riziko zvýšené imunogenicity a snížení stability formulace. Regulace a kontrola těchto částic je proto kritická pro bezpečnost a kvalitu léčiv; farmakopejní a regulační požadavky (např. směřovaná pozornost k částicím >10 μm) vyžadují spolehlivou detekci. Současně jsou vzorky v procesu vývoje a výroby virových vektorů často vzácné a cenné, takže metody s nízkou spotřebou vzorku a vysokou propustností mají velkou praktickou hodnotu.

Cíle a přehled studie / článku

Cílem aplikovaného textu je ukázat schopnost systému Aura (využívajícího technologii backgrounded membrane imaging, BMI) detekovat, počítat, velikostně rozdělovat a zobrazovat subviditelné částice v formulacích AAV s velmi nízkou spotřebou vzorku (5 μL) a vysokou propustností (až 96 vzorků za méně než 2 hodiny). Text demonstruje, že BMI doplňuje běžné techniky jako DLS a SEC, které mohou větší agregáty přehlédnout nebo je měnit během analýzy.

Použitá metodika a instrumentace

• Technologie: Backgrounded membrane imaging (BMI) — automatizovaná membránová mikroskopie pro zachycení vysoce rozlišených snímků částic na membráně.
• Instrumentace: Aura System (Aura CL / Aura+), 96‑well formát, automatizace pro analýzu velkého počtu vzorků s vysokou průchodností; volitelná fluorescenční detekce pro rozlišení proteinových částic (např. kapsid obsahující protein) od anorganických/neproteinových částic (sklo, kov, plast).
• Spotřeba vzorku: 5 μL na měření; rozsah detekovaných velikostí: 1 μm až 5 mm.
• Software: uživatelské rozhraní pro vizualizaci, analýzu velikostních a počtových rozdělení; dostupná podpora 21 CFR Part 11 pro elektronické záznamy.

Hlavní výsledky a diskuse

• Aura detekuje subviditelné agregáty, které často unikají DLS a SEC: SEC může větší agregáty měnit nebo ztrácet během separace a DLS je obtížné interpretovat u polydisperzních nebo přítomných velkých částic. Příklady zahrnují situace, kdy SEC vykazuje nízké hladiny rozpustných agregátů, zatímco průtoková mikroskopie či BMI vykazuje vysoké počty subviditelných částic.
• Systém poskytuje kvalitní obrazovou dokumentaci každé částice, umožňuje stanovit velikostní a počtové distribuce a hodnotit morfologii částic, což zlepšuje schopnost rozlišit biologické částice od cizorodých materiálů pomocí doplňkové fluorescenční detekce.
• Sledovatelnost změn stability: zvýšení počtu subviditelných částic bylo zaznamenáno při snížení ionické síly pufru, opakovaných mraz–rozmraz cyklech a při teplotním namáhání (příklad: ohřev na 60 °C), což potvrzuje senzitivitu metody k detekci destabilizace AAV formulací.
• Propustnost a nízký objem vzorku umožňují rozsáhlé experimentální návrhy (více podmínek/replic), čímž se zlepšuje statistická jistota a efektivita vývoje formulace.

Přínosy a praktické využití metody

• Komplementární technika: BMI (Aura) je vhodná jako doplněk k SEC a DLS při charakterizaci agregátů, protože odhaluje subviditelné částice, které tyto techniky mohou přehlédnout.
• Efektivita vzorku: nízká spotřeba (5 μL) je kritická při práci s omezenými nebo drahými virovými vektory.
• Vysoká propustnost: 96‑well automatizace a přibližně 1 minuta na vzorek umožňují rychlé srovnání mnoha podmínek (stresové testy, excipienty, pufry), což urychluje vývoj formulací a kontrolu kvality.
• Rozšířená analytika: obrazová evidence, velikostní/morfologická klasifikace a volitelná fluorescenční identifikace zvyšují schopnost rozlišit původ částic a lépe řídit zdroje kontaminace nebo agregace ve výrobě.

Budoucí trendy a možnosti využití

• Integrace více analytických modů: kombinace BMI s dalšími fyzikálně‑chemickými metodami (např. hmotnostní spektrometrie, AFM, selektivní značení) by mohla dodat chemickou identitu a povrchové vlastnosti částic.
• Automatizace a datová analýza: pokročilé algoritmy strojového učení pro klasifikaci morfologií a predikci imunogenity na základě obrazových dat mohou zvýšit prognostickou hodnotu měření.
• Standardizace a validace: širší aplikace vyžaduje mezi‑laboratorní studie a harmonizaci protokolů pro porovnatelnost výsledků napříč platformami a podle regulačních požadavků.
• Redukce rizika v bioprodukci: použití vysokopropustných, nízkovzorkových metod v in‑process a QC kontrolách může zkrátit dobu vývoje a rychleji odhalit kritické body, které vedou k agregaci.

Závěr

Aura System s technologií BMI představuje praktický a citlivý nástroj pro analýzu subviditelných částic v AAV formulacích. Díky nízké spotřebě vzorku, vysoké propustnosti, širokému rozsahu detekovaných velikostí a kvalitní obrazové dokumentaci umožňuje lepší posouzení stability a kvality virových vektorů než izolované použití DLS nebo SEC. Metoda slouží jako doplňkový analytický přístup při vývoji formulací a v kontrolách kvality, přičemž její schopnost detekovat změny při stresových podmínkách zvyšuje její užitečnost v průmyslových i regulačních kontextech.

Reference

• FDA. Annex 3(R1) Test for Particulate Contamination: Subvisible Particles. Guidance for Industry.