WO2024253460A1 - 최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼 - Google Patents

최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼 Download PDF

Info

Publication number
WO2024253460A1
WO2024253460A1 PCT/KR2024/007811 KR2024007811W WO2024253460A1 WO 2024253460 A1 WO2024253460 A1 WO 2024253460A1 KR 2024007811 W KR2024007811 W KR 2024007811W WO 2024253460 A1 WO2024253460 A1 WO 2024253460A1
Authority
WO
WIPO (PCT)
Prior art keywords
nanoparticles
amount
drug
target drug
size
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2024/007811
Other languages
English (en)
French (fr)
Inventor
김동표
모타페아미레자
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
POSTECH Research and Business Development Foundation
Original Assignee
POSTECH Research and Business Development Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by POSTECH Research and Business Development Foundation filed Critical POSTECH Research and Business Development Foundation
Priority claimed from KR1020240074444A external-priority patent/KR20240174065A/ko
Publication of WO2024253460A1 publication Critical patent/WO2024253460A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/12—Ketones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/70—Carbohydrates; Sugars; Derivatives thereof
    • A61K31/7028—Compounds having saccharide radicals attached to non-saccharide compounds by glycosidic linkages
    • A61K31/7034—Compounds having saccharide radicals attached to non-saccharide compounds by glycosidic linkages attached to a carbocyclic compound, e.g. phloridzin
    • A61K31/704—Compounds having saccharide radicals attached to non-saccharide compounds by glycosidic linkages attached to a carbocyclic compound, e.g. phloridzin attached to a condensed carbocyclic ring system, e.g. sennosides, thiocolchicosides, escin, daunorubicin
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K9/00—Medicinal preparations characterised by special physical form
    • A61K9/10—Dispersions; Emulsions
    • A61K9/127—Synthetic bilayered vehicles, e.g. liposomes or liposomes with cholesterol as the only non-phosphatidyl surfactant
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/24—Stationary reactors without moving elements inside
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
    • B82B3/00—Manufacture or treatment of nanostructures by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y5/00—Nanobiotechnology or nanomedicine, e.g. protein engineering or drug delivery

Definitions

  • the present invention relates to an integrated microfluidic continuous flow platform based on artificial intelligence algorithms for the production of artificial intelligence-based optimized drug delivery nanoparticles.
  • Drug delivery systems have emerged as important tools in the medical field, playing a pivotal role in the effective and targeted delivery of therapeutic agents. These systems offer many advantages over conventional drug administration methods, such as improved drug bioavailability, reduced side effects, and improved therapeutic efficacy. Drug delivery systems can prevent degradation of therapeutic agents, extend circulation time, and promote drug accumulation at the desired site of action by encapsulating drugs in special carriers or vehicles.
  • Microfluidics is a field that manipulates and controls fluids at a microscopic scale, and can precisely control the synthesis and production of drugs.
  • the microfluidic approach can precisely control the droplet size and uniformity, so it can efficiently encapsulate hydrophobic and hydrophilic drugs in various carrier materials, and it also improves scalability and reproducibility compared to existing approaches.
  • nanoparticles act as carriers to encapsulate drugs and deliver them to specific target sites in the body, thereby controlling their release and improving therapeutic outcomes.
  • the purpose of the present invention is to provide an artificial intelligence-based integrated microfluidic continuous flow platform for optimization and autonomous manufacturing of nanoparticles for drug delivery.
  • the purpose of the present invention is to provide an integrated microfluidic continuous flow platform for the production of nanoparticles for faster and more accurate artificial intelligence-based drug delivery.
  • an integrated microfluidic continuous flow platform for automatic manufacturing of artificial intelligence-based optimized drug delivery nanoparticles may include: a synthesis module for synthesizing nanoparticles loaded with a target drug; a purification module for separating the nanoparticles flowing from the synthesis module and the drug not loaded on the nanoparticles; a real-time analysis device for measuring the size of the nanoparticles separated through the purification module and the amount of the target drug loaded on the nanoparticles; and real-time analysis sensors, modules, and devices for determining a plurality of parameter values for the synthesis module according to the size of the nanoparticles and the amount of the target drug loaded using a multi-objective Bayesian optimization (MOBO) algorithm.
  • MOBO multi-objective Bayesian optimization
  • the above synthesis module can synthesize the nanoparticles by using the plurality of parameter values including the total flow rate, the flow rate ratio of the target drug and lipid, the concentration of anionic lipid, the ratio of 1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine (POPC) lipid and cholesterol, and the concentration of the target drug.
  • the plurality of parameter values including the total flow rate, the flow rate ratio of the target drug and lipid, the concentration of anionic lipid, the ratio of 1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine (POPC) lipid and cholesterol, and the concentration of the target drug.
  • POPC 1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine
  • the above real-time analysis device may include a first real-time analysis device that measures the size of the nanoparticle; and a second real-time analysis device that measures the amount of the target drug loaded on the nanoparticle.
  • the second real-time analysis device can measure the amount of target drug loaded from destroyed nanoparticles using a solution that destroys the nanoparticles.
  • the electronic device can calculate an encapsulation efficiency, which represents the amount of target drug loaded onto the nanoparticle relative to the amount of initial target drug, and an expected loading capacity, which represents the amount of target drug loaded onto the nanoparticle relative to the amount of initial lipid.
  • the electronic device can determine the parameter values so as to maximize the encapsulation efficiency and the expected loading capacity while minimizing the difference between the measured size of the nanoparticle and the target size.
  • the above electronic device can control the synthesis module to synthesize the nanoparticle based on the determined parameter values.
  • the electronic device may include a processor for receiving information about the size of a nanoparticle loaded with a target drug synthesized by a synthesis module and the amount of the target drug loaded in the nanoparticle, and determining parameter values of a plurality of parameters for the synthesis module according to the size of the nanoparticle and the amount of the target drug using a multi-objective Bayesian optimization (MOBO) algorithm.
  • MOBO multi-objective Bayesian optimization
  • the above nanoparticles are characterized in that they are separated from the drug not loaded on the nanoparticles through the purification module after being introduced from the synthesis module.
  • the above processor can receive information about the size of the nanoparticles measured from the real-time analysis device and the amount of the target drug loaded on the nanoparticles.
  • the above multiple parameters may include total flow rate, flow rate ratio of target drug and lipid, anionic lipid concentration, ratio of 1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine (POPC) lipid and cholesterol, and concentration of target drug.
  • POPC 1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine
  • a method for automatically manufacturing an optimized drug delivery nanoparticle based on artificial intelligence using an integrated microfluidic continuous flow platform may include: a step of synthesizing a nanoparticle loaded with a target drug based on a plurality of parameters; a step of separating the nanoparticles flowing from the synthesis module and the drug not loaded on the nanoparticles; a step of measuring the size of the separated nanoparticles and the amount of the target drug loaded on the nanoparticles; and a step of determining parameter values of the plurality of parameters according to the size of the nanoparticles and the amount of the target drug using a multi-objective Bayesian optimization (MOBO) algorithm.
  • MOBO multi-objective Bayesian optimization
  • an integrated microfluidic continuous flow platform can be provided that has the potential to significantly advance the field of drug delivery by facilitating the development of highly optimized and effective drug-loaded nanoparticles with improved therapeutic outcomes.
  • the present invention may present a paradigm shift in nanomedical synthesis to accommodate the increasing demand for personalized therapeutic solutions and provide a dynamic approach to address a variety of healthcare scenarios ranging from personalized medicine related to cancer metastasis to efficient multi-organ delivery.
  • performing a single experiment on an integrated microfluidic continuous flow platform takes much less time than conventional systems and is efficient because it uses a small amount of sample per experiment.
  • FIG. 1 is a schematic diagram illustrating an integrated microfluidic continuous flow platform for automated and autonomous manufacturing of nanoparticles for drug delivery according to one embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating the configuration of an analysis electronic device according to one embodiment of the present invention.
  • FIG. 3 is a drawing illustrating an operation flow diagram of an electronic device according to one embodiment of the present invention.
  • FIG. 4 is a drawing illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • FIG. 5a is a diagram showing the operation of a synthesis module according to one embodiment of the present invention
  • FIGS. 5b to 5f are diagrams showing experimental results.
  • FIG. 6a is a drawing showing the operation of a purification module according to one embodiment of the present invention
  • FIGS. 6b to 6d are drawings showing experimental results.
  • FIG. 7 is a drawing illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • FIGS. 8A and 8B are diagrams illustrating the efficiency of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • FIG. 9a is a flow diagram illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention
  • FIGS. 9b to 9c are diagrams illustrating experimental results.
  • Figure 10 is a table showing the detailed results of Figure 9c.
  • FIGS. 11A to 11D are drawings illustrating the synthesis of PEG-PLGA nanoparticles using an integrated microfluidic continuous flow platform according to one embodiment of the present invention, and experimental results.
  • FIG. 1 is a schematic diagram illustrating an integrated microfluidic continuous flow platform for automated and autonomous manufacturing of nanoparticles for drug delivery according to one embodiment of the present invention.
  • an integrated microfluidic continuous flow platform (1) may include a nanoparticle synthesis module (10), a purification module (20), a real-time analysis device (30), and an electronic device (100) (also referred to as an analysis electronic device (100)).
  • the nanoparticle synthesis module (10) (hereinafter, also referred to as synthesis module (10)) is a device that synthesizes a carrier loaded with a target drug, i.e., a nanoparticle, and can synthesize optimized nanoparticles by controlling multiple parameters required for synthesizing nanoparticles.
  • the synthesis module (10) is also referred to as an autonomous nanoparticle synthesis module (ANS) through a reaction between various combinations of substances.
  • nanoparticles act as carriers that encapsulate the target drug and deliver it to a specific target site in the body, and can be formed into various types.
  • Nanoparticles can be formed, for example, in the form of liposomes, which are vesicle structures comprised of lipid bilayers. Liposomes form hollow spheres with an aqueous core that can encapsulate hydrophilic and hydrophobic drugs. Liposomes have several key advantages that make them highly desirable as drug carriers, including inherent biocompatibility, the ability to enhance drug bioavailability, and the ability to be precisely manipulated to control drug release kinetics. However, in addition to these, the nanoparticles can be polymeric nanoparticles (PEG-PLGA), but are not limited to either.
  • PEG-PLGA polymeric nanoparticles
  • the purification module (20) is a device that separates nanoparticles flowing from the synthesis module (10) and drugs not loaded on nanoparticles (also called free drugs).
  • the purification module (20) can be connected to the synthesis module (10) and separates the target drugs loaded on nanoparticles and the free drugs, thereby facilitating analysis of the nanoparticles and the target drugs loaded on the nanoparticles.
  • the purification module (20) is also called a flow dialysis module.
  • the real-time analysis device (30) is a device that measures the size of nanoparticles separated through the purification module (20) and the amount of target drug loaded on the nanoparticles.
  • the real-time analysis device (30) may include a first real-time analysis device that measures the size of nanoparticles and a second real-time analysis device that measures the amount of target drug loaded on the nanoparticles.
  • the second real-time analysis device may measure the amount of target drug loaded from nanoparticles destroyed using a solution that destroys the nanoparticles.
  • the electronic device (100) is a device that determines and controls parameter values of a plurality of parameters required for the synthesis module (10) to synthesize nanoparticles, and can be implemented as a computer, server, smart phone, tablet PC, smart pad, laptop, etc.
  • the electronic device (100) can determine parameter values of multiple parameters for the synthesis module (10) according to the size of the nanoparticle and the amount of the target drug using a multi-objective Bayesian optimization (MOBO) algorithm.
  • MOBO multi-objective Bayesian optimization
  • Integrating AI algorithms at this time enables intelligent decision-making and adaptive experiments, automating common tasks such as dispensing reagents, mixing solutions, and monitoring reactions, reducing human error and enabling faster, more accurate experiments.
  • the AI-based platform (1) can analyze a large amount of data, identify patterns, and optimize experimental conditions to obtain desired results.
  • the AI-based platform (1) can optimize the formation of nanoparticles by analyzing various parameters such as carrier composition, drug-to-carrier ratio, and synthesis conditions.
  • the platform (1) can iteratively optimize nanoparticle properties by utilizing machine learning algorithms to achieve desired physical properties and improved drug loading. This iterative optimization process can significantly reduce the trial and error associated with existing approaches, thereby accelerating the development of an efficient nanoparticle-based drug delivery platform (1).
  • FIG. 2 is a block diagram illustrating the configuration of an analysis electronic device according to one embodiment of the present invention.
  • An electronic device (100) may include an input unit (110), a communication unit (120), a display unit (130), a storage unit (140), and a processor (150).
  • the input unit (110) generates input data in response to a user input of the electronic device (100).
  • the user input may be a user input for starting the operation of the electronic device (100), a user input for setting an initial parameter value of the synthesis module (10), a user input for setting a multi-objective Bayesian optimization (MOBO) algorithm, a user input for setting a target nanoparticle size, etc.
  • MOBO multi-objective Bayesian optimization
  • the input unit (110) includes at least one input means.
  • the input unit (110) may include a keyboard, a key pad, a dome switch, a touch panel, a touch key, a mouse, a menu button, etc.
  • the communication unit (120) can perform communication with external devices such as the synthesis module (10) and the real-time analysis device (30) to transmit and receive the size of the nanoparticles measured by the real-time analysis device (30), the amount of the target drug loaded in the nanoparticles, newly determined parameter values, etc.
  • external devices such as the synthesis module (10) and the real-time analysis device (30) to transmit and receive the size of the nanoparticles measured by the real-time analysis device (30), the amount of the target drug loaded in the nanoparticles, newly determined parameter values, etc.
  • the communication unit (120) can perform wireless communication such as 5G (5th generation communication), LTE-A (Long Term Evolution-Advanced), LTE (Long Term Evolution), Wi-Fi (Wireless Fidelity), Bluetooth, or wired communication such as LAN (Local Area Network), WAN (Wide Area Network), and power line communication.
  • wireless communication such as 5G (5th generation communication), LTE-A (Long Term Evolution-Advanced), LTE (Long Term Evolution), Wi-Fi (Wireless Fidelity), Bluetooth, or wired communication such as LAN (Local Area Network), WAN (Wide Area Network), and power line communication.
  • the display unit (130) displays display data according to the operation of the electronic device (100).
  • the display unit (130) can display a screen that displays the operation status of the synthesis module (10), the purification module (20), and the real-time analysis device (30), a screen that displays parameter values determined according to a multi-objective Bayesian optimization algorithm, a screen that receives user input, etc.
  • the display unit (130) includes a liquid crystal display (LCD), a light emitting diode (LED) display, an organic light emitting diode (OLED) display, a micro electro mechanical systems (MEMS) display, and an electronic paper display.
  • the display unit (130) may be implemented as a touch screen by being combined with the input unit (110).
  • the storage (140) stores the operation programs of the electronic device (100).
  • the storage (140) includes non-volatile storage capable of preserving data (information) regardless of whether power is supplied, and volatile memory into which data to be processed by the processor (150) is loaded and which cannot preserving data if power is not supplied.
  • the storage includes flash memory, HDD (Hard-Disc Drive), SSD (Solid-State Drive), ROM (Read Only Memory), etc., and the memory includes buffer, RAM (Random Access Memory), etc.
  • the storage unit (140) can store the size of nanoparticles measured by the real-time analysis device (30), the amount of target drug loaded in the nanoparticles, parameter values set for each individual measurement, newly determined parameter values, a multi-objective Bayesian optimization algorithm, etc., and can store operation programs required in the process of receiving measurement information, calculating encapsulation efficiency and expected loading capacity, determining parameter values, transmitting control information according to the determined parameter values, etc.
  • the processor (150) can control at least one other component (e.g., hardware or software component) of the electronic device (100) by executing software such as a program, and can perform various data processing or operations.
  • component e.g., hardware or software component
  • the processor (150) can control at least one other component (e.g., hardware or software component) of the electronic device (100) by executing software such as a program, and can perform various data processing or operations.
  • a processor (150) receives information about the size of a nanoparticle loaded with a target drug synthesized by a synthesis module and the amount of the target drug loaded in the nanoparticle, and can determine parameter values of a plurality of parameters for the synthesis module according to the size of the nanoparticle and the amount of the target drug using a multi-objective Bayesian optimization (MOBO) algorithm.
  • MOBO multi-objective Bayesian optimization
  • the processor (150) may construct a multi-objective Bayesian optimization algorithm or receive and store an existing multi-objective Bayesian optimization algorithm from the outside and use it, but is not limited to either one.
  • the processor (150) may perform at least some of the data analysis, processing, and result information generation for performing the above operations using at least one of a machine learning, neural network, or deep learning algorithm as a rule-based or artificial intelligence algorithm.
  • a machine learning, neural network, or deep learning algorithm as a rule-based or artificial intelligence algorithm.
  • the neural network may include models such as a CNN (Convolutional Neural Network), a DNN (Deep Neural Network), an RNN (Recurrent Neural Network), and a transformer.
  • FIG. 3 is a drawing illustrating an operation flow diagram of an electronic device according to one embodiment of the present invention.
  • the processor (150) can receive information about the size of the nanoparticle loaded with the target drug synthesized by the synthesis module (10) and the amount of the target drug loaded in the nanoparticle (S10).
  • the processor (150) can receive information about the size of the nanoparticle loaded with the target drug and the amount of the target drug loaded in the nanoparticle from the real-time analysis device (30).
  • the processor (150) can determine parameter values of multiple parameters for the synthesis module (10) according to the size of the nanoparticle and the amount of the target drug using a multi-objective Bayesian optimization (MOBO) algorithm (S20).
  • MOBO multi-objective Bayesian optimization
  • the purpose of the integrated microfluidic continuous flow platform (1) is to automatically optimize the synthesis module (10) to synthesize nanoparticles of a target size while loading the maximum amount of drug.
  • the synthesis module (10) can synthesize nanoparticles by controlling parameter values of a plurality of parameters, and the plurality of parameters can include a total flow rate, a flow rate ratio of a target drug and lipid, anionic lipid concentration, a ratio of POPC lipid and cholesterol, and a concentration of a target drug.
  • the lipids used in the synthesis of nanoparticles are anionic lipids, POPC (1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) lipids and cholesterol.
  • the amount of anionic lipids contributes to the stability and functionality of nanoparticles, especially liposomes, and is very important for the effectiveness of the integrated microfluidic continuous flow platform (1).
  • the ratio of POPC lipids and cholesterol can have a pivotal effect on the size and encapsulation efficiency of liposomes.
  • the processor (150) can calculate the encapsulation efficiency (EE), which represents the amount of the target drug loaded into the nanoparticles relative to the amount of the initial target drug.
  • EE encapsulation efficiency
  • the processor (150) can calculate the expected loading capacity (ELC), which represents the amount of target drug loaded on the nanoparticle relative to the amount of initial lipid.
  • ELC expected loading capacity
  • the expected loading capacity can be calculated using the following mathematical expression 2.
  • the processor (150) can determine parameter values that maximize the encapsulation efficiency (EE) and the expected loading capacity (ELC) while minimizing the difference between the measured nanoparticle size and the target size using a Bayesian optimization algorithm. This process is also called size targeting.
  • the Bayesian optimization algorithm is an algorithm that predicts an objective function that defines the relationship between the parameter values of multiple parameters and three target values: the difference (absolute value) between the size of the nanoparticle and the target size, the encapsulation efficiency (EE), and the expected loading capacity (ELC), and finds parameter values that satisfy all three.
  • the processor (150) can determine parameter values that make the difference between the size of the nanoparticle and the target size small and the encapsulation efficiency (EE) and the expected loading capacity (ELC) large. Since there are multiple targets to be optimized through the parameter values, it is also called a multi-objective Bayesian optimization algorithm.
  • the processor (150) can control the synthesis module (10) to synthesize nanoparticles based on the determined parameter values (S30).
  • This process is also called on-demand synthesis of nanoparticles.
  • the processor (150) may control the synthesis module (10) by transmitting information about the determined parameter values to an automated pumping device, a selector valve, etc. The specific details are described with reference to FIG. 5A.
  • the integrated microfluidic continuous flow platform (1) can repeat S10 to S30 until it reaches the desired characteristics, minimizing the difference between the size of the nanoparticle and the target size, encapsulation efficiency (EE), and expected loading capacity (ELC).
  • EE encapsulation efficiency
  • EEC expected loading capacity
  • the integrated microfluidic continuous flow platform (1) has the potential to significantly advance the field of drug delivery by facilitating the development of highly optimized and effective drug-loaded nanoparticles with improved therapeutic outcomes.
  • FIG. 4 is a drawing illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • the present invention presents a fully integrated and automated AI-based integrated microfluidic continuous flow platform (1) for synthesis and real-time characterization of drug-loaded nanoparticles.
  • a platform (1) includes 1) an automated nanoparticle synthesis module (Nanoparticle Synthesizer), 2) a purification module (Purification), and 3) a characterization and decision policy with Bayesian Optimization. These components can have a synergistic effect in the efficient and accurate production of drug-loaded nanoparticles.
  • the first step of the platform (1) is to automatically control multiple parameters and the composition of drugs and carriers for synthesizing drug-loaded nanoparticles. This automation can minimize human error and variability by ensuring consistent and reproducible results.
  • the platform (1) enables the synthesis of nanoparticles with desired properties by precisely controlling the flow rates and ratios of the components.
  • the performance of this module was evaluated for the automatic synthesis of two types of carriers, liposomes and polymeric nanoparticles (PCLs), and the autonomous nanoparticle synthesis module (ANS) was able to synthesize nanoparticles with optimal size and uniformity in a high-throughput manner at a scale of 30 experiments per hour without human intervention.
  • the synthesis module (10) can be integrated with the purification module (20) to build a fully integrated platform (1) for drug-loaded nanoparticles.
  • the aim is to separate the non-encapsulated free drug and the nanoparticles loaded with the target drug and measure the amount of the drug encapsulated in the nanoparticles.
  • a purification module (20) was introduced to quickly remove the non-encapsulated free drug and separate the nanoparticles.
  • a solvent for example, methanol, can be used to release the target drug from the nanoparticles separated by the purification module (20).
  • the size of the nanoparticles can be continuously monitored in real time using a first real-time analysis device, for example, a dynamic light scattering (DLS) instrument.
  • a first real-time analysis device for example, a dynamic light scattering (DLS) instrument.
  • the amount of drug encapsulated inside the nanoparticles can be measured using spectrometry using a second real-time analysis device, for example, a UV-Vis spectroscopy instrument.
  • this comprehensive platform (1) can operate autonomously without human intervention.
  • a multi-objective Bayesian optimization algorithm is introduced into the platform (1), which can establish a robust decision-making policy to further improve the synthesis and characterization steps.
  • the platform (1) In the case of the old-generation system of normal batch, it takes several hours or days for multiple experiments, whereas the platform (1) according to one embodiment of the present invention has an advantage in that it takes less than 20 minutes for a single experiment to perform synthesis, purification, characterization, and AI decision-making. In addition, the platform (1) can efficiently manufacture nanoparticles by using a very small amount of sample ( ⁇ 3 mL) per experiment.
  • FIG. 5a is a diagram showing the operation of a synthesis module according to one embodiment of the present invention
  • FIGS. 5b to 5f are diagrams showing experimental results.
  • the anticancer drug doxorubicin was used as a target drug, and two different nanoparticles, liposomes and PEG-PLGA nanoparticles, were used to encapsulate doxorubicin.
  • a synthesis module (10) represents a breakthrough in this environment by providing a fully automated platform that streamlines the nanoparticle formation process.
  • a synthesis module (10) not only eliminates the arduous and error-prone aspects of manual synthesis, but also ensures reproducibility and scalability essential to cutting-edge nanotechnology and drug delivery research.
  • the synthesis module (10) is an essential component of a large-scale integrated platform encompassing the synthesis, purification, and characterization of drug-loaded nanoparticles. In this holistic approach, the synthesis module (10) serves as a cornerstone for efficient and consistent nanoparticle production and contributes significantly to the overall success and feasibility of a comprehensive nanomedicine research program.
  • the synthesis module (10) can be composed of three main modules.
  • the first module known as the Precursor Formation Module, plays a pivotal role in this automated platform by preparing precursor materials. This precision can ensure the precise composition of nanoparticle building blocks, which is the fundamental step in determining the desired properties and functionality of the final nanoparticles.
  • the Flow Reactor Module At the heart of the synthesis module (10) is the Flow Reactor Module, where nanoparticles take shape from starting materials. This device, which operates with excellent control and precision, can produce nanoparticles with specific properties required for a variety of applications. Equally important is the In-Situ Nanoparticle Size Characterization Module, which provides real-time insight into the size and polydispersity index (PDI) of the nanoparticles during the synthesis process. This real-time characterization capability is important because nanoparticle size and PDI are important parameters in determining performance and functionality.
  • PDI polydispersity index
  • the synthesis module (10) integrates the power of artificial intelligence and utilizes a multi-objective Bayesian optimization algorithm.
  • the electronic device (100) can repeatedly perform optimization of the nanoparticles through the synthesis module (10) by determining the parameters determined using the multi-objective Bayesian optimization algorithm.
  • the electronic device (100) analyzes and re-optimizes data from previous runs, thereby ensuring that the size and PDI of the nanoparticles meet strict requirements through an intelligent approach.
  • the sizes of the nanoparticles vary from about 40 nm to about 300 nm, and the PDI varies from about 0.05 to 0.5.
  • the automated pumping device of the synthesis module (10) allows for precise control of continuous parameters such as total flow rate, flow rate ratio, and liposome concentration in the range of 1 mg/mL to 10 mg/mL - all of which are recognized as fundamental variables in the context of nanoprecipitation.
  • Ethanol was used as a solvent for in-line dilution of lipid solution with the lipid solution ratio of POPC lipid and cholesterol set to 55:45, and also 10 mol% of anionic lipid (POPG) was used together with various amounts of polyethylene glycol (PEG) at 0, 1, and 5 mol% levels.
  • POPG anionic lipid
  • Figure 5a provides a concise summary of the main synthesis parameters under consideration.
  • four types of antisolvents were selected, including Tris buffer, NaCl solution, Citrate buffer, and PBS buffer, and the automated platform (1) selected each of them based on the proposed multi-objective Bayesian optimization algorithm.
  • the platform (1) After the platform (1) is developed, it is essential to thoroughly evaluate its reproducibility and robustness. To closely examine the reproducibility and robustness of the platform (1), the synthesis and characterization procedures were performed 10 times in total by running the same synthesis conditions consecutively, and the results are shown in Fig. 5c. The goal here was to investigate whether the results could be stably repeated, focusing on the nanoparticle size and polydispersity index.
  • the average time required to complete each experiment was calculated as shown in Fig. 5e. This time includes all the general steps such as formulation and synthesis, characterization, AI algorithm calculation, and overall platform cleanup to prepare for the upcoming experiment. While existing systems are not considered to be suitable choices for high-throughput experimental work due to rapid synthesis and characterization, the platform (1) according to one embodiment of the present invention can be an ideal option for high-throughput screening and optimization.
  • FIG. 6a is a drawing showing the operation of a purification module according to one embodiment of the present invention
  • FIGS. 6b to 6c are drawings showing experimental results.
  • An important step after synthesis of nanoparticles through the synthesis module (10) is to separate the encapsulated drug and the non-encapsulated drug within the nanocarrier.
  • a purification module (20) is utilized, and the purification module (20) can be implemented as a flow dialysis module featuring channels divided by membranes (RC membrane 12000 KDE). Multiple buffers are introduced in the buffer section of the purification module (20) to utilize diffusion and remove free drug from the drug-encapsulated nanoparticles.
  • the liposome sample (consisting of nanoparticles and free drug after synthesis) was dialyzed for 10 minutes in the purification module (20). After the nanoparticles were separated by the purification module (20), the separated nanoparticles were introduced into a destructive solvent to release the drug. At the outlet of the purification module (20), the encapsulated nanoparticles were introduced into methanol to destroy the liposome membrane and release the encapsulated drug. At this time, a gas or bubble trap can be used to remove the bubbles to solve the bubble problem caused by the volatility of the methanol-water mixture.
  • the amount of encapsulated drug can be measured by measuring the intensity of the released drug using UV-vis spectroscopy using a second real-time analysis device.
  • the electronic device (100) can calculate the encapsulation efficiency by measuring the amount of encapsulated drug.
  • a test was performed to evaluate the removal efficiency of free doxorubicin to verify the performance of the purification module (20).
  • the 95% removal threshold was set as safe, and doxorubicin was injected at concentrations of 0.1, 0.2, and 0.3 mg/mL.
  • the doxorubicin removal rate observed at the outlet consistently exceeded 95%, ensuring safe removal of doxorubicin.
  • a purification module (20) can provide several distinct advantages over existing methods.
  • the purification module (20) can operate in real time to continuously monitor the separation process. This is particularly advantageous as it provides immediate feedback and enables dynamic adjustments, ensuring accurate encapsulation efficiency calculations throughout the entire process.
  • the purification module (20) is compatible with the continuous flow platform (1), making it highly suitable for integration with other continuous nanoparticle synthesis and formulation processes. It can also be seamlessly integrated into the platform (1) to facilitate high throughput and efficient encapsulation efficiency determination.
  • the purification module (20) can simplify the workflow by reducing the need for complex sample handling, thereby minimizing the risk of sample loss or contamination.
  • FIG. 7 is a drawing illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • Figure 7 shows a fully integrated platform for end-to-end autonomous production of drug-loaded nanoparticles.
  • the amount of anionic lipids in the sample and the ratio of POPC lipids to cholesterol have a significant effect on liposome formation.
  • POPG phosphatidylglycerol
  • the present invention obtained a total of nine unique combination results by considering three different levels for POPG (0, 10, 20 mol%) and three different levels for the POPC to cholesterol ratio (1:2, 1:1, 2:1 mol%).
  • the concentration of drug doxorubicin was also considered, ranging from 0.1 mg/mL to 0.3 mg/mL.
  • flow-related parameters such as total flow rate and drug-to-lipid flow ratio were also selected.
  • the selection of lipid formulation and doxorubicin solution was carried out by utilizing a selector valve connected to an automated pumping device.
  • the drug-loaded nanoparticles can be synthesized and collected by a sample collector component that attempts to resolve the flow rate mismatch between the synthesis module (10) and the purification module (20). Then, the collected sample was injected into the purification module (20) with a holding time of 10 minutes, after which methanol was injected for nanoparticle destruction, and finally, the size of the nanoparticles and the amount of drug were measured using the first real-time analysis device (DLS) and the second real-time analysis device (UV-Vis instrument), respectively.
  • DLS real-time analysis device
  • UV-Vis instrument the second real-time analysis device
  • FIGS. 8A and 8B are diagrams illustrating the efficiency of an integrated microfluidic continuous flow platform according to one embodiment of the present invention.
  • Efficiency in time and sample consumption is a key aspect that differentiates our integrated platform from existing manual and human-controlled flow or batch systems, especially in the synthesis, purification, characterization and optimization of nanoparticle-based nanomedicines.
  • the importance of these factors lies in the accelerated pace of drug development, which leads to faster progress and improved patient outcomes due to rapid processes.
  • the integrated microfluidic continuous flow platform (1) excels in this regard, allowing for a significant reduction in synthesis time.
  • the time range for upstream, i.e. nanoparticle synthesis is about 9 to 180 seconds, demonstrating remarkable efficiency even when the total flow rate varies.
  • the entire process takes only 16 to 20 minutes, with the downstream, purification module (20) accounting for most of the time (10 to 12 minutes). This efficiency is particularly important for rapid delivery of nanoparticle-based nanomedicines to patients in emergency medical situations.
  • the platform (1) shows remarkable efficiency.
  • the cumulative consumption of doxorubicin and lipid is a minimum of 3.25 mL based on the flow rate ratio (ranging from 1 to 20 doxorubicin to lipid).
  • the washing process which is a critical step to maintain the integrity of the platform (1), uses an appropriate amount of washing solution of 5 to 8 mL.
  • the overall efficiency of the platform (1) not only eliminates human intervention in the entire process but also significantly reduces sample consumption, which is consistent with the modern emphasis on sustainable and resource-efficient practices in biomedical research.
  • the integrated platform (1) we have developed not only ensures rapid and effective synthesis, but also contributes to the advancement of nanoparticle-based nanomedicine with unparalleled efficiency in terms of time and sample utilization.
  • FIG. 9a is a flow diagram illustrating the operation of an integrated microfluidic continuous flow platform according to one embodiment of the present invention
  • FIGS. 9b to 9c are diagrams illustrating experimental results.
  • Figure 9a illustrates a detailed flow chart of the process focused on liposome synthesis to demonstrate the overall efficacy of the platform (1).
  • a multi-objective Bayesian optimization algorithm suggests optimal conditions for the experiment (AI-based Decision Making).
  • the platform (1) undergoes a washing step using ethanol lasting 5 to 8 minutes (Wash the system).
  • the valves for appropriate doxorubicin and lipids are set and the pump device is filled (Rotate the valve based on Recipe & Fill the pumps for synthesis) based on the recommendations of the multi-objective Bayesian optimization algorithm.
  • the platform (1) is set to a flow rate of 1 mL/min for 0.25 mL (Warm-up system with 0.25 mL sample).
  • the experimental sample is prepared according to the recipe suggested in the synthesis module (10) and collected by the collection pump (Prepare the sample with recipe & Collect sample with sample collector).
  • the collected sample is injected into the purification module (20), and this process takes 10 minutes (Dialysis).
  • methanol is injected (Methanol Injection), and the released drug is analyzed using UV-Vis to measure the encapsulation efficiency (Measure Drug-loading).
  • the platform (1) is stopped and the size of the nanoparticles is measured using a DLS (dynamic light scattering) device (Measure size).
  • nanoparticle size an important parameter, reflects the percentage of drug encapsulated within the nanoparticle, providing insight into the efficacy of the synthetic process.
  • the multi-objective Bayesian optimization algorithm was intended to suggest conditions that can maximize encapsulation efficiency as an improvement in therapeutic efficacy, and maximizing the expected loading capacity can maximize the loading of doxorubicin while reducing lipid consumption, thereby increasing therapeutic efficacy and reducing lipid-induced cytotoxicity.
  • the user Before starting the self-optimization process, the user can select a specific nanoparticle size that suits their requirements.
  • the platform (1) then operates efficiently to achieve the desired size in a short period of time and with a minimum number of cycles, while simultaneously optimizing other important goals.
  • This novel approach holds significant promise, especially for personalized medicine.
  • the platform can rapidly adapt to meet individualized therapeutic requirements. This customized customization allows the nanomedicine to be precisely designed to deliver the desired therapeutic effect, thereby optimizing the therapeutic outcome for individual patients.
  • this approach may also be appropriately applied in the context of cancer metastasis, where multi-organ delivery may be essential. Recognizing that different nanoparticle sizes may have different effects on specific organs, this platform (1) excels in rapid preparation, purification, and optimization of nanomedicines. This allows for on-demand therapeutic effects, whereby nanomedicines are prepared to be delivered to specific organs based on specified size criteria.
  • the platform (1) according to one embodiment of the present invention represents a paradigm shift in nanomedicine synthesis to address the increasing demand for personalized therapeutic solutions, and may provide a dynamic approach to address a variety of healthcare scenarios, from personalized medicine related to cancer metastasis to efficient multi-organ delivery.
  • the objectives were set to achieve the required sizes of 70, 170 and 350 nm to evaluate the performance of the platform (1).
  • a multi-objective Bayesian optimization algorithm was used to maximize the encapsulation efficiency (EE) and the expected loading capacity (ELC) while minimizing the absolute difference between the measured size and the target selected size.
  • platform (1) successfully reached the first target size in just 11 experiments. Leveraging the insights gained from this initial round, platform (1) required only two additional steps to reach the other target sizes of 170 nm and 350 nm.
  • the platform (1) adequately maintained encapsulation efficiency at a consistent level of 60%, achieving 10% of the expected loading capacity in the first targeting cycle and consistently exceeding the expected loading capacity by 3% in subsequent desired steps.
  • Figure 10 is a table showing the detailed results of Figure 9c.
  • the multi-objective Bayesian optimization algorithm tends to explore various parameters not only controlling the size but also for higher encapsulation efficiency and expected loading capacity.
  • the multi-objective Bayesian optimization algorithm tends to use a large amount of POPG (20 mol%) and fix the P/C ratio to 2 (2:1). In the meantime, it tries to find the appropriate flow conditions for the desired minimization size. In the last cycle of the first objective, the multi-objective Bayesian optimization algorithm set the total flux to the highest and middle flux ratios by using the highest possible anionic lipid with the P/C balance (1:1).
  • the anionic lipids were slightly deformed, which reduced the expected loading capacity, and then the same process occurred on the target, but the desired size was achieved by reducing the flow rate and flow rate ratio to almost the minimum level.
  • FIGS. 11A to 11D are drawings illustrating the synthesis of PEG-PLGA nanoparticles using an integrated microfluidic continuous flow platform according to one embodiment of the present invention, and experimental results.
  • Fig. 11a is a schematic diagram of the synthesis module for fabricating PEG-PLGA nanoparticles
  • Fig. 11b is a diagram showing the size and EE results obtained from the closed-loop autonomous platform for fabricating PEG-PLGA nanoparticles
  • Fig. 11c is a diagram showing the maximum results for size and EE obtained from the autonomous platform
  • Fig. 11d is a diagram showing the cumulative results considering the experimental runs and proposed conditions throughout the closed-loop optimization process.
  • a system for autonomous synthesis of Dox-loaded PEG-PLGA nanoparticles was constructed as shown in Fig. 11a.
  • the modified part is the synthesis module (ANS) in which the lipid formulation stock is replaced with PEG-PLGA polymer dissolved in acetonitrile with concentrations set to 5, 10, 15, and 20 mg/mL.
  • ANS synthesis module
  • the general flow parameters and concentration of Dox considered in the previous campaigns for liposomes were selected as parameters for optimization.
  • the closed-loop optimization experiments were performed for 20 rounds (each with 3 replicates) and the size and EE of nanoparticles were measured accordingly.
  • the general flow parameters and concentration of Dox considered in the previous campaigns for liposomes were selected as parameters for optimization.
  • the closed-loop optimization experiments were performed for 20 rounds (each with 3 replicates) and the size and EE of nanoparticles were measured accordingly.
  • the MOBO algorithm with qNEHVI acquisition function was used to minimize the size and maximize the EE.
  • the minimum size of 98 nm was observed in the sixth experiment, while the maximum EE (88%) was explored in the eighth experiment, demonstrating the overall superior performance of the MOBO algorithm.
  • the algorithm tends to suggest conditions with higher concentration of Dox (0.3 mg/mL) and lower concentration of PEG-PLGA, which generally correspond to higher EE values. This is in contrast to the initial experimental runs where lower concentrations of Dox were initially chosen.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Nanotechnology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Dispersion Chemistry (AREA)
  • Medicinal Preparation (AREA)

Abstract

본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼에 있어서, 대상 약물이 담지된 나노입자를 합성하는 합성 모듈; 상기 합성 모듈로부터 유입되는 상기 나노입자와 상기 나노입자에 담지되지 않은 약물을 분리하는 정제 모듈; 상기 정제 모듈을 통해 분리된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 실시간 분석 장치; 및 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 합성 모듈에 대한 복수의 파라미터의 파라미터 값을 결정하는 전자장치;를 포함할 수 있다.

Description

최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼
본 발명은 인공지능 기반 최적화된 약물 전달용 나노입자의 제조를 위해 인공지능 알고리즘 기반 통합형 미세유체 연속 흐름 플랫폼에 관한 것이다.
약물 전달 시스템(Drug delivery systems, DDS)은 의학 분야에서 중요한 도구로 등장하여 치료제의 효과적이고 표적화된 전달에 중추적인 역할을 하고 있다. 이러한 시스템은 약물 생체 이용률 향상, 부작용 감소 및 치료 효능 향상과 같은 기존 약물 투여 방법에 비해 많은 이점을 제공한다. 약물 전달 시스템은 특수 담체 또는 운반체 내에 약물을 캡슐화함으로써 치료제의 분해를 방지하고 순환 시간을 연장하며 원하는 작용 부위에 약물의 축적을 촉진할 수 있다.
약물 전달 시스템의 개발에서는 다양한 접근법이 합성을 위해 사용되었으며, 그 중에서도 미세유체 접근법이 상당한 주목을 받고 있다. 미세유체공학(Microfluidics)은 미세 규모에서 유체를 조작하고 제어하는 분야로, 약물의 합성 및 제작을 정밀하게 제어할 수 있다. 미세유체 접근법은 액적 크기와 균일성을 정밀하게 제어할 수 있어 다양한 담체 물질 내에 소수성 및 친수성 약물을 효율적으로 캡슐화할 수 있을 뿐만 아니라 기존 접근법에 비해 확장성과 재현성이 향상된다.
약물 전달 시스템의 잠재력을 최대한 활용하려면 약물이 담지(loading)된 운반체의 합성 및 특성화를 위한 효율적인 방법을 개발하는 것이 필수적이다. 이러한 나노입자는 약물을 캡슐화하고 신체의 특정 표적 부위에 전달하는 운반체 역할을 하여 방출을 제어하고 치료 결과를 개선한다.
한편, 화학, 재료과학 등 화학 실험 분야 역시 자율주행 기술의 등장으로 상당한 발전을 이루었다. 자율주행 연구는 자동화, 로봇공학, 인공지능(AI) 기술을 통합하여 최소한의 인간 개입으로 화학 실험을 수행하는 것에 목적이 있다. 기존 실험 과정에는 화학 물질의 수동 처리, 반복 작업, 주관적인 의사 결정이 포함되는 경우가 많으며, 이는 시간이 많이 걸리고 오류가 발생하기 쉬우며 리소스 집약적일 수 있다.
따라서, 약물이 담지된 나노입자의 합성 및 특성화를 위해 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조를 위한 통합형 미세유체 연속 흐름 플랫폼을 구현함으로써 이러한 한계를 극복할 수 있으며, 수많은 이점을 제공할 것이다.
본 발명의 목적은 약물 전달용 나노입자의 최적화 및 자율적인 제조를 위한 인공지능 기반 통합형 미세유체 연속 흐름 플랫폼을 제공하는 것이다.
본 발명의 목적은 보다 빠르고 정확한 인공지능 기반 약물 전달용 나노입자의 제조를 위한 통합형 미세유체 연속 흐름 플랫폼을 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조를 위한 통합형 미세유체 연속 흐름 플랫폼에 있어서, 대상 약물이 담지된 나노입자를 합성하는 합성 모듈; 상기 합성 모듈로부터 유입되는 상기 나노입자와 상기 나노입자에 담지되지 않은 약물을 분리하는 정제 모듈; 상기 정제 모듈을 통해 분리된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 실시간 분석 장치; 및 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 담지양에 따른 상기 합성 모듈에 대한 복수의 파라미터 값을 결정하는 실시간 분석용 센서, 모듈 및 장치를 포함할 수 있다.
상기 합성 모듈은, 총 유량, 대상 약물과 지질의 유량 비율, 음이온성 지질 농도, POPC(1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) 지질과 콜레스테롤의 비율 및 대상 약물의 농도를 포함하는 상기 복수의 파라미터 값을 이용하여 상기 나노입자를 합성할 수 있다.
상기 실시간 분석 장치는, 상기 나노입자의 크기를 측정하는 제1실시간 분석 장치; 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 제2실시간 분석 장치를 포함할 수 있다.
상기 제2실시간 분석 장치는, 상기 나노입자를 파괴하는 용액을 이용하여 파괴된 나노입자로부터 담지된 대상 약물의 양을 측정할 수 있다.
상기 전자장치는, 초기 대상 약물의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 캡슐화 효율성, 및 초기 지질의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 예상 로딩 용량을 연산할 수 있다.
상기 전자장치는, 캡슐화 효율성과 예상 로딩 용량을 최대화하는 동시에 측정된 상기 나노입자의 크기와 타겟 크기 간의 차이를 최소화하도록 하는 상기 파라미터 값을 결정할 수 있다.
상기 전자장치는, 결정된 상기 파라미터 값에 기초하여 상기 나노입자를 합성하도록 상기 합성 모듈을 제어할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조를 위한 전자장치에 있어서, 합성 모듈에 의해 합성된 대상 약물이 담지된 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신하고, 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 합성 모듈에 대한 복수의 파라미터의 파라미터 값을 결정하는 프로세서;를 포함할 수 있다.
상기 나노입자는, 상기 합성 모듈로부터 유입되어 정제모듈을 통해 상기 나노입자에 담지되지 않은 약물과 분리된 것을 특징으로 한다.
상기 프로세서는, 실시간 분석 장치로부터 측정된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신할 수 있다.
상기 복수의 파라미터는, 총 유량, 대상 약물과 지질의 유량 비율, 음이온성 지질 농도, POPC(1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) 지질과 콜레스테롤의 비율 및 대상 약물의 농도를 포함할 수 있다.
본 발명의 일 실시에에 따른 통합형 미세유체 연속 흐름 플랫폼을 이용한 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조 방법에 있어서, 복수의 파라미터에 기초하여 대상 약물이 담지된 나노입자를 합성하는 단계; 상기 합성 모듈로부터 유입되는 상기 나노입자와 상기 나노입자에 담지되지 않은 약물을 분리하는 단계; 분리된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 단계; 및 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 복수의 파라미터의 파라미터 값을 결정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 향상된 치료 결과와 함께 고도로 최적화되고 효과적인 약물 담지 나노입자의 개발을 촉진함으로써 약물 전달 분야를 크게 발전시킬 수 있는 잠재력을 가지는 통합형 미세유체 연속 흐름 플랫폼을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 개인 맞춤형 치료 솔루션에 대한 수요 증가에 맞춰 나노의학 합성의 패러다임 전환을 제시하고 암 전이와 관련된 맞춤형 의학부터 효율적인 다기관 전달에 이르기까지 다양한 의료 시나리오를 해결하기 위한 역동적인 접근 방식을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 통합형 미세유체 연속 흐름 플랫폼에서 한번의 실험을 수행함에 있어 기존 시스템과 비교하여 아주 적은 시간이 소요되며, 실험당 적은 양의 샘플을 사용하기 때문에 효율적이다.
도 1은 본 발명의 일 실시예에 따른 약물 전달용 나노입자의 자동 및 자율 제조를 위한 통합형 미세유체 연속 흐름 플랫폼을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 분석용 전자장치의 구성을 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 전자장치의 동작 흐름도를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 모습을 도시한 도면이다.
도 5a는 본 발명의 일 실시예에 따른 합성 모듈의 동작 모습 및 도 5b 내지 도 5f는 실험 결과를 도시한 도면이다.
도 6a는 본 발명의 일 실시예에 따른 정제 모듈의 동작 모습 및 도 6b 내지 도 6d는 실험 결과를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 모습을 도시한 도면이다.
도 8a 및 도 8b는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 효율성을 도시한 도면이다.
도 9a는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 흐름도 및 도 9b 내지 도 9c는 실험 결과를 도시한 도면이다.
도 10은 도 9c의 세부 결과를 나타낸 표이다.
도 11a 내지 도 11d는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼을 이용하여 PEG-PLGA 나노 입자를 합성하는 모습 및 실험결과를 도시한 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 약물 전달용 나노입자의 자동 및 자율 제조를 위한 통합형 미세유체 연속 흐름 플랫폼을 도시한 개략도이다.
본 발명의 일 실시예에 따르면, 통합형 미세유체 연속 흐름 플랫폼(1)(이하, 플랫폼(1)이라고도 한다.)은 나노입자 합성 모듈(10), 정제 모듈(20), 실시간 분석 장치(30) 및 전자장치(100)(분석용 전자장치(100)라고도 한다.)를 포함할 수 있다.
나노입자 합성 모듈(10)(이하, 합성 모듈(10)이라고도 한다.)은 대상 약물이 담지(loading)된 운반체(carrier), 즉 나노입자를 합성하는 장치로, 나노입자를 합성하는데 필요한 복수의 파라미터들을 조절함으로써 최적화된 나노입자를 합성할 수 있다. 합성 모듈(10)은 다양한 조합의 물질간 반응에 의한 자율화 나노입자 합성 모듈(Autonomous Nanoparticle Synthesizer, ANS)이라고도 한다.
이때, 나노입자는 대상 약물을 캡슐화하여 신체의 특정 표적 부위에 전달하는 운반체 역할을 하는 것으로, 다양한 유형으로 형성될 수 있다.
나노입자는, 예를 들어, 지질 이중층으로 구성된 소포 구조로 된 리포솜 형태로 형성될 수 있다. 리포솜은 친수성 및 소수성 약물을 캡슐화할 수 있는 수성 코어가 있는 속이 빈 구체를 형성한다. 리포솜은 고유한 생체 적합성, 약물 생체 이용률을 향상시키는 능력, 약물 방출 동역학을 제어하기 위해 정밀하게 조작할 수 있는 능력을 포함하여 약물 운반체로서 매우 바람직하게 만드는 몇 가지 주요 이점을 가지고 있다. 다만 이 외에도 나노입자는 고분자 나노입자(PEG-PLGA)일 수 있으며, 어느 하나에 제한되지 않는다.
정제 모듈(20)은 합성 모듈(10)로부터 유입되는 나노입자와 나노입자에 담지되지 않은 약물(자유 약물이라고도 한다.)을 분리하는 장치이다. 정제 모듈(20)은 합성 모듈(10)과 연결될 수 있으며, 나노입자에 담지된 대상 약물과 자유 약물을 분리하여 나노입자 및 나노입자에 담지된 대상 약물을 분석하기 용이하게 한다. 정제 모듈(20)은 유동 투석 모듈(flow dialysis module)이라고도 한다.
실시간 분석 장치(30)는 정제 모듈(20)을 통해 분리된 나노입자의 크기 및 나노입자에 담지된 대상 약물의 양을 측정하는 장치이다. 실시간 분석 장치(30)는 나노입자의 크기를 측정하는 제1실시간 분석 장치 및 나노입자에 담지된 대상 약물의 양을 측정하는 제2실시간 분석 장치를 포함할 수 있다. 제2실시간 분석 장치는, 나노입자를 파괴하는 용액을 이용하여 파괴된 나노입자로부터 담지된 대상 약물의 양을 측정할 수 있다.
전자장치(100)는 합성 모듈(10)이 나노입자를 합성하는데 필요한 복수의 파라미터의 파라미터 값을 결정하고, 제어하는 장치로, 컴퓨터, 서버, 스마트 폰, 태블릿 PC, 스마트 패드, 노트북 등으로 구현될 수 있다.
전자장치(100)는 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 나노입자의 크기 및 대상 약물의 양에 따른 합성 모듈(10)에 대한 복수의 파라미터의 파라미터 값을 결정할 수 있다.
본 발명에서는 약물 전달을 위한 약물이 담지된 나노입자의 합성 및 특성화를 위해 맞춤화된 완전 자동화된 플랫폼을 제안한다.
이때, AI 알고리즘을 통합하면 지능적인 의사결정과 적응형 실험이 가능해지고, 시약 분배, 용액 혼합, 반응 모니터링과 같은 일반적인 작업을 자동화하여 인적 오류를 줄이고 더 빠르고 정확한 실험을 가능하게 한다.
AI 기반 플랫폼(1)은 방대한 양의 데이터를 분석하고 패턴을 식별하며 실험 조건을 최적화하여 원하는 결과를 얻을 수 있다. 또한, AI 기반 플랫폼(1)은 담체 구성, 약물 대 담체 비율, 합성 조건 등 다양한 파라미터를 분석하여 나노입자의 형성을 최적화할 수 있다. 플랫폼(1)은 기계 학습 알고리즘을 활용하여 나노입자 특성을 반복적으로 최적화하여 원하는 물리적 특성과 향상된 약물 로딩을 달성할 수 있다. 이러한 반복적인 최적화 프로세스는 기존 접근 방식과 관련된 시행착오를 크게 줄여 효율적인 나노입자 기반 약물 전달 플랫폼(1)의 개발을 가속화할 수 있다.
이하, 도면들을 참조하여 본 발명의 일 실시예에 따른 플랫폼(1)의 구성 및 동작에 대해 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 분석용 전자장치의 구성을 도시한 블럭도이다.
본 발명의 일 실시예에 따른 전자장치(100)는 입력부(110), 통신부(120), 표시부(130), 저장부(140) 및 프로세서(150)를 포함할 수 있다.
입력부(110)는 전자장치(100)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 예를 들어, 사용자 입력은 전자장치(100)의 동작을 시작하게 하는 사용자 입력, 합성 모듈(10)의 초기 파라미터 값을 설정하는 사용자 입력, 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 설정하기 위한 사용자 입력, 타겟 나노입자 크기를 설정하는 사용자 입력 등일 수 있으며, 이 외에도 자동화된 통합형 미세유체 연속 흐름 플랫폼(1)을 구축하기 위해 필요한 사용자 입력인 경우 제한하지 않고 적용 가능하다.
입력부(110)는 적어도 하나의 입력수단을 포함한다. 입력부(110)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.
통신부(120)는 실시간 분석 장치(30)가 측정한 나노입자의 크기 및 나노입자에 담지된 대상 약물의 양, 새로 결정된 파라미터 값 등을 송수신하기 위해 합성 모듈(10), 실시간 분석 장치(30) 등 외부장치와의 통신을 수행할 수 있다.
이를 위해, 통신부(120)는 5G(5th generation communication), LTE-A(Long Term Evolution-Advanced), LTE(Long Term Evolution), Wi-Fi(Wireless Fidelity), Bluetooth 등의 무선 통신, 혹은 LAN(Local Area Network), WAN(Wide Area Network), 전력선 통신 등의 유선 통신을 수행할 수 있다.
표시부(130)는 전자장치(100)의 동작에 따른 표시 데이터를 표시한다. 표시부(130)는 합성 모듈(10), 정제 모듈(20) 및 실시간 분석 장치(30) 등의 동작 상태 등을 표시하는 화면, 다목적 베이지안 최적화 알고리즘에 따라 결정된 파라미터 값을 표시하는 화면, 사용자 입력을 수신하는 화면 등을 표시할 수 있다.
표시부(130)는 액정 디스플레이(Liquid Crystal Display, LCD), 발광 다이오드(Light Emitting Diode, LED) 디스플레이, 유기 발광 다이오드(Organic LED, OLED) 디스플레이, 마이크로 전자기계 시스템(Micro Electro Mechanical Systems. MEMS) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(130)는 입력부(110)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.
저장부(140)는 전자장치(100)의 동작 프로그램들을 저장한다. 저장부(140)는 전원의 제공 유무와 무관하게 데이터(정보)를 보존할 수 있는 비휘발성 속성의 스토리지(storage)와, 프로세서(150)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성 속성의 메모리(memory)를 포함한다. 스토리지에는 플래시메모리(flash-memory), HDD(Hard-Disc Drive), SSD(Solid-State Drive), ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(buffer), 램(Random Access Memory, RAM) 등이 있다.
저장부(140)는 실시간 분석 장치(30)가 측정한 나노입자의 크기 및 나노입자에 담지된 대상 약물의 양, 개별 측정 별로 설정된 파라미터 값, 새로 결정된 파라미터 값, 다목적 베이지안 최적화 알고리즘 등을 저장할 수 있으며, 측정 정보 수신, 캡슐화 효율성 및 예상 로딩 용량 연산, 파라미터 값 결정, 결정된 파라미터 값에 따른 제어 정보 전송 등을 수행하는 과정에서 필요한 연산 프로그램 등을 저장할 수 있다.
프로세서(150)는 프로그램 등 소프트웨어를 실행하여 전자장치(100)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.
본 발명의 일 실시예에 따른 프로세서(150)는 합성 모듈에 의해 합성된 대상 약물이 담지된 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신하고, 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 합성 모듈에 대한 복수의 파라미터의 파라미터 값을 결정할 수 있다.
이때, 프로세서(150)가 다목적 베이지안 최적화 알고리즘을 구축하거나, 기 구축된 다목적 베이지안 최적화 알고리즘을 외부로부터 수신 및 저장하여 이용할 수 있으며 어느 하나에 한정되는 것은 아니다.
한편, 프로세서(150)는 상기 동작들을 수행하기 위한 데이터 분석, 처리, 및 결과 정보 생성 중 적어도 일부를 규칙 기반 또는 인공지능(Artificial Intelligence) 알고리즘으로서 기계학습, 신경망 네트워크(neural network), 또는 딥러닝 알고리즘 중 적어도 하나를 이용하여 수행할 수 있다. 신경망 네트워크의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), 트랜스포머(transformer)와 같은 모델을 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 전자장치의 동작 흐름도를 도시한 도면이다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 합성 모듈(10)에 의해 합성된 대상 약물이 담지된 나노입자의 크기 및 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신할 수 있다(S10).
프로세서(150)는 실시간 분석 장치(30)로부터 대상 약물이 담지된 나노입자의 크기 및 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 나노입자의 크기 및 대상 약물의 양에 따른 합성 모듈(10)에 대한 복수의 파라미터의 파라미터 값을 결정할 수 있다(S20).
본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼(1)의 목적은 합성 모듈(10)이 타겟하는 크기의 나노입자를 합성하면서도, 최대한 많은 양의 약물을 담지하도록 자동적으로 최적화함에 있다.
합성 모듈(10)은 복수의 파라미터의 파라미터 값을 제어하여 나노입자를 합성할 수 있으며, 복수의 파라미터는 총 유량, 대상 약물과 지질의 유량 비율, 음이온성 지질 농도, POPC 지질과 콜레스테롤의 비율 및 대상 약물의 농도를 포함할 수 있다.
나노입자 합성에 사용되는 지질은, 음이온성 지질, POPC(1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) 지질과 콜레스테롤로, 음이온성 지질의 양은 나노입자, 특히 리포솜의 안정성과 기능성에 기여하며 통합형 미세유체 연속 흐름 플랫폼(1)의 효과에 매우 중요하다. 또한, POPC 지질과 콜레스테롤의 비율은 리포솜의 크기와 캡슐화 효율에 대한 중추적인 영향을 줄 수 있다.
합성 모듈(10)의 합성 성능을 평가하기 위해, 프로세서(150)는 초기 대상 약물의 양 대비 나노입자에 담지된 대상 약물의 양을 나타내는 캡슐화 효율성(Encapsulation Efficiency, EE)을 연산할 수 있다. 캡슐화 효율성은 다음 수학식 1을 이용하여 연산할 수 있다.
Figure PCTKR2024007811-appb-img-000001
또한, 프로세서(150)는 초기 지질의 양 대비 나노입자에 담지된 대상 약물의 양을 나타내는 예상 로딩 용량(Expected Loading Capacity, ELC)을 연산할 수 있다. 예상 로딩 용량은 다음 수학식 2를 이용하여 연산할 수 있다.
Figure PCTKR2024007811-appb-img-000002
프로세서(150)는 베이지안 최적화 알고리즘을 이용하여 캡슐화 효율성(EE)과 예상 로딩 용량(ELC)을 최대화하는 동시에 측정된 나노입자의 크기와 타겟 크기 간의 차이를 최소화하도록 하는 파라미터 값을 결정할 수 있다. 이 과정을 사이즈 타겟팅(size targeting)이라고도 한다.
베이지안 최적화 알고리즘은, 복수의 파라미터의 파라미터 값들과 나노입자의 크기와 타겟 크기 간의 차이(절대치), 캡슐화 효율성(EE) 및 예상 로딩 용량(ELC) 3가지의 타겟값들 간의 관계를 정의한 목적 함수를 예측해가며, 3가지를 모두 만족하게 하는 파라미터 값들을 찾는 알고리즘이다.
구체적으로, 프로세서(150)는 나노입자의 크기와 타겟 크기 간의 차이는 작고, 캡슐화 효율성(EE) 및 예상 로딩 용량(ELC)은 크게 하는 파라미터 값을 결정할 수 있다. 파라미터 값들을 통해 최적화하고자 하는 대상이 복수인 바, 다목적 베이지안 최적화 알고리즘이라고도 한다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 결정된 파라미터 값에 기초하여 나노입자를 합성하도록 합성 모듈(10)을 제어할 수 있다(S30).
이 과정을 주문형 나노입자 합성(On-demand synthesis of nanoparticles)이라고도 한다. 프로세서(150)가 결정된 파라미터 값에 따라 합성 모듈(10)이 나노입자를 합성하도록 제어하는 방법은 다양할 수 있으며, 예를 들어, 프로세서(150)는 합성 모듈(10)의 자동화된 펌핑 장치, 선택기 벨브 등에 결정된 파라미터 값에 관한 정보를 전송하는 등의 방법으로 제어할 수 있다. 구체적인 내용은 도 5a를 참조하여 설명한다.
본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼(1)은 원하는 특성, 나노입자의 크기와 타겟 크기간의 차이 최소화, 캡슐화 효율성(EE) 및 예상 로딩 용량(ELC)에 도달할 때까지 S10 내지 S30을 반복할 수 있다.
본 발명의 일 실시예에 따르면, 통합형 미세유체 연속 흐름 플랫폼(1)은 향상된 치료 결과와 함께 고도로 최적화되고 효과적인 약물 담지 나노입자의 개발을 촉진함으로써 약물 전달 분야를 크게 발전시킬 수 있는 잠재력을 가지고 있다.
도 4는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 모습을 도시한 도면이다.
도 4에 도시된 것처럼 본 발명에서는 약물이 담지된 나노입자의 합성 및 실시간 특성화를 위한 완전히 통합되고 자동화된 AI 기반 통합형 미세유체 연속 흐름 플랫폼(1)을 제시한다.
본 발명의 일 실시예에 따른 플랫폼(1)에는 1) 자동화된 나노입자 합성 모듈(Nanoparticle Synthesizer), 2) 정제 모듈(Purification), 3) 베이지안 최적화를 통한 특성화 및 결정 정책(Characterization & Decision policy with Bayesian Optimization)이 포함되어 있다. 이러한 구성 요소들은 약물이 담지된 나노입자의 효율적이고 정확한 제조에 시너지 효과를 발휘할 수 있다.
플랫폼(1)의 첫 번째 단계는 약물이 담지된 나노입자를 합성하기 위한 복수의 파라미터와, 약물 및 운반체의 구성을 자동으로 제어하는 것이다. 이 자동화는 일관되고 재현 가능한 결과를 보장하여 인적 오류와 변동성을 최소화할 수 있다. 플랫폼(1)은 구성 요소의 유량과 비율을 정밀하게 제어함으로써 원하는 특성을 갖는 나노입자의 합성을 가능하게 한다. 먼저 리포솜과 고분자 나노입자(PCL)라는 두 가지 유형의 담체의 자동적인 합성을 위해 이 모듈의 성능을 평가하였고, 자율 나노입자 합성모듈(ANS)를 통해 인간의 개입 없이 시간당 30번의 실험 규모로 고처리량 방식으로 최적의 크기와 균일성을 갖는 나노입자를 합성할 수 있었다.
약물이 담지된 나노입자를 위한 완전히 통합된 플랫폼(1)을 구축하기 위해 합성 모듈(10)을 정제 모듈(20)과 통합할 수 있다.
구체적으로, 캡슐화되지 않은 자유 약물과 대상 약물이 담지된 나노입자를 분리하여 나노입자에 캡슐화된 약물의 양을 측정하는 것이다. 이를 위해 캡슐화되지 않은 자유 약물을 신속하게 제거하고 나노입자를 분리하기 위한 정제 모듈(20)을 도입하였다.
정제 모듈(20)에 의해 분리된 나노입자로부터 대상 약물을 방출하기 위해 용매, 예를 들어, 메탄올을 이용할 수 있다.
마지막 단계에서는 제1실시간 분석 장치, 예를 들어, 동적 광 산란(Dynamic Light Scattering, DLS) 기기를 사용하여 나노입자 크기를 지속적으로 실시간 모니터링할 수 있다. 또한, 제2실시간 분석 장치, 예를 들어, UV-Vis 분광 기구를 통해 분광법을 이용하여 나노입자 내부에 캡슐화된 약물의 양을 측정할 수 있다.
나노입자 합성부터 캡슐화된 입자와 캡슐화되지 않은 입자의 분리 및 실시간 특성화에 이르는 이 포괄적인 플랫폼(1)은 인간의 개입 없이 자율적으로 작동될 수 있다.
최적의 크기와 약물 로딩을 위한 전체 흐름을 최적화하기 위해 플랫폼 (1)에 다목적 베이지안 최적화 알고리즘을 도입하여 합성 및 특성화 단계를 더욱 개선하는 강력한 의사결정 정책을 확립할 수 있다.
일반 배치(Normal Batch) 구세대 시스템의 경우, 여러 실험에 몇 시간, 며칠이 소요되는데 반하여, 본 발명의 일 실시예에 따른 플랫폼(1)은 합성, 정제, 특성화 및 AI 의사결정을 수행하는 한 번의 실험에 20분 미만이 소요되는 점에서 이점이 있다. 또한 플랫폼(1)은 실험당 매우 적은 양의 샘플(~3mL)을 사용하는 바 효율적으로 나노입자를 제조할 수 있다.
도 5a는 본 발명의 일 실시예에 따른 합성 모듈의 동작 모습 및 도 5b 내지 도 5f는 실험 결과를 도시한 도면이다.
이 플랫폼(1)의 적용 가능성을 보여주기 위해 항암제인 독소루비신(Doxorubicin)을 대상 약물로 두고, 독소루비신의 캡슐화를 위해 두 가지 다른 나노입자인 리포솜과 PEG-PLGA 나노입자를 사용했다.
나노기술 및 약물 전달 영역에서 합성 모듈(10)의 개발은 기존의 비자동화 플랫폼이 제기하는 문제를 해결하는 중요한 솔루션으로 떠오르고 있다. 나노입자 형성에 대한 전통적인 접근 방식은 노동 집약적이고 시간 소모적이며 변형이 발생하기 쉬우므로 일관되고 효율적인 결과를 달성하는 데 심각한 장애물이 된다. 기존 방법은 다양한 단계에서 수동 개입이 필요한 경우가 많으므로 입자 크기, 구성 및 기타 중요한 매개변수에 대한 정밀한 제어를 유지하는 것이 어렵다. 더욱이, 자동화가 부족하면 확장성이 방해되어 다양한 응용 분야에 대한 나노입자의 생산 용량이 제한된다. 합성 모듈(10)은 나노입자 형성 프로세스를 간소화하는 완전 자동화된 플랫폼을 제공함으로써 이러한 환경에서 획기적인 발전을 보여준다.
본 발명의 일 실시예에 따른 합성 모듈(10)은 수동 합성의 힘들고 오류가 발생하기 쉬운 측면을 제거할 뿐만 아니라, 최첨단 나노기술 및 약물 전달 연구에 필수적인 재현성과 확장성을 보장한다.
또한, 합성 모듈(10)은 약물이 담지된 나노입자의 합성, 정제 및 특성화를 포괄하는 대규모 통합 플랫폼의 필수 구성 요소이다. 이러한 전체적인 접근 방식에서 합성 모듈(10)은 효율적이고 일관된 나노입자 생산을 위한 초석 역할을 하며 포괄적인 나노의학 연구 프로그램의 전반적인 성공과 타당성에 크게 기여한다.
합성 모듈(10)은 세 가지 주요 모듈로 구성될 수 있다. 먼저, 전구체 형성 모듈(Precursor Formulation Module)로 알려진 첫 번째 모듈은 전구체 물질을 준비하여 이 자동화 플랫폼에서 중추적인 역할을 한다. 이러한 정밀도는 최종 나노입자의 원하는 특성과 기능을 결정하는 기본 단계인 나노입자 빌딩 블록의 정확한 구성을 보장할 수 있다. 그 다음, 합성 모듈(10)의 핵심에는 나노입자가 시작 물질로부터 형태를 취하는 흐름 반응기 모듈(Flow Reactor Module)이 있다. 뛰어난 제어력과 정밀도로 작동하는 이 장치를 사용하면 다양한 응용 분야에 필요한 특정 특성을 가진 나노입자를 생성할 수 있다. 마찬가지로 중요한 것은 합성 과정에서 나노입자의 크기와 다분산 지수(Polydispersity Index, PDI)에 대한 실시간 통찰력을 제공하는 In-Situ 나노입자 크기 특성화 모듈(Nanoparticle Size Characterization Module)이다. 나노입자 크기와 PDI는 성능과 기능을 결정하는 데 중요한 파라미터이기 때문에 이러한 실시간 특성화 기능은 중요한 역할을 한다.
정확한 크기 제어는 나노입자가 효과적인 약물 전달을 위해 원하는 범위 내에 있도록 보장하는 반면, 낮은 PDI는 나노입자 간의 균일성을 나타낸다. 이러한 요소는 나노의학 응용 분야에서 일관되고 신뢰할 수 있는 결과를 달성하는 데 중요하다. 이 세 가지 모듈의 원활한 조정은 컴퓨터 제어 알고리즘에 의해 관리되므로 사람의 개입 필요성과 관련 오류 가능성이 크게 줄어든다. 이러한 자동화 수준은 나노입자 형성의 재현성과 효율성을 향상시킬 수 있다.
합성 모듈(10)은 인공 지능의 힘을 통합하여 다목적 베이지안 최적화 알고리즘을 활용한다. 전자장치(100)는 다목적 베이지안 최적화 알고리즘을 이용하여 결정한 파라미터를 결정하여 반복적으로 합성 모듈(10)을 통한 나노입자의 최적화를 수행할 수 있다. 전자장치(100)는 이전 실행의 데이터를 분석하고 다시 최적화함으로써, 지능적인 접근 방식을 통해 나노입자의 크기와 PDI가 엄격한 요구 사항을 충족하도록 보장한다.
도 5a 내지 도 5f를 살펴보면, 통합형 미세유체 연속 흐름 플랫폼(1)의 기능을 입증하기 위해 두 가지 종류의 나노입자의 자율 생산을 시도했다. 초기 연구에서는 리포솜 나노입자와 하나의 추가 고분자 나노입자가 고려되었다.
도 5a에 표시된 것처럼 연구의 초기 단계에서 리포솜 제조 공정 내에서 다양한 중요한 파라미터를 세심하게 규제하여 나노입자 크기 및 다분산 지수(PDI)에 대한 중대한 영향을 확인했다. 이 플랫폼(1)은 매우 짧은 기간(4시간 동안 120번의 실험) 내에 두 리포솜 나노입자의 신속한 합성 및 특성화를 촉진했다.
도 5b에서 볼 수 있듯이 나노입자의 크기는 약 40nm에서 약 300nm까지 다양하고 PDI는 약 0.05에서 0.5까지 다양하다.
정밀도와 반복성을 보장하기 위해 합성 모듈(10)의 자동화된 펌핑 장치를 사용하여 총 유량, 유량 비율, 1mg/mL~10mg/mL 범위의 리포솜 농도 등 연속 파라미터를 정밀하게 제어할 수 있다. - 이들 모두는 나노침전의 맥락에서 기본 변수로 인식된다.
POPC 지질과 콜레스테롤의 지질 용액 비율이 55:45로 설정된 지질 용액의 인라인 희석을 위한 용매로 에탄올을 사용하였고, 또한 10mol%의 음이온성 지질(POPG)도 0, 1, 5mol% 수준의 다양한 양의 PEG(polyethylene glycol)와 함께 사용되었다.
이러한 연속 파라미터 외에도 리포솜 합성에 중추적인 범주적 요인도 다루었다. 특히, 우리는 지질 조성에 통합된 PEG의 분자 백분율(mol%)을 특징으로 하는 지질 형성의 영향을 조사하기 위해 실험을 맞춤화했다. 더욱이, pH 수준의 변화에 따라 반용매를 선택하는 것이 중추적인 역할을 했으며, 이는 선택기 밸브를 사용하여 현명하게 제어되었다.
도 5a는 고려 중인 주요 합성 매개변수에 대한 간결한 요약을 제공한다. 이 경우 Tris 완충액, NaCl 용액, Citrate 완충액, PBS 완충액 등 4가지 유형의 항용매(완충액)가 선택되었으며, 자동화된 플랫폼(1)은 다목적 베이지안 최적화 알고리즘 제안에 따라 각각을 선택했다.
자동화된 플랫폼(1)의 진정한 잠재력을 평가하기 위해 다목적 베이지안 최적화 알고리즘을 사용하여 합성 조건을 동적으로 조정하여 크기와 PDI를 체계적으로 최적화했다. 이 조사에 활용된 결과 및 해당 실험 조건에 대한 포괄적인 개요는 도 5b에 묘사된 평행 좌표 차트에 표시된다. 이 도면에서 볼 수 있듯이, 실험 횟수가 증가한 후에는 AI 기반 다목적 베이지안 최적화 알고리즘에 의한 자동화된 변경에 의해 크기와 PDI가 최소한으로 크게 최적화되는 경향을 확인할 수 있다.
플랫폼(1)이 개발된 이후에는 재현성과 견고성을 철저히 평가하는 것이 필수적이다. 플랫폼(1)의 재현성과 견고성을 면밀히 조사하기 위해 동일한 합성 조건을 연속적으로 실행하여 합성 및 특성화 절차를 총 10회 수행했으며 결과는 도 5c에서 볼 수 있다. 여기서 목표는 나노입자 크기와 다분산지수에 초점을 맞춰 결과가 안정적으로 반복될 수 있는지 여부를 조사하는 것이었다.
또한 도 5d에 표시된 것처럼 견고성 평가를 위해 미리 정의된 실험 프레임워크 내에서 합성 조건이 반복적으로 변경될 때 플랫폼(1)이 얼마나 잘 작동하는지 확인하려고 했다. 이를 위해 세 가지 서로 다른 합성 조건을 선택하고 각 조건에서 연속적인 합성을 수행했으며, 다양한 조건에서 얻은 결과의 일관성과 신뢰성을 측정하기 위해 이 프로세스를 3번 반복했다. 다목적 베이지안 최적화 알고리즘의 뛰어난 최적화 기능을 보여주기 위해 SOBOL 샘플링이라는 또 다른 결정 정책과의 비교 분석했다.
도 5e와 같이 각 실험을 완료하는 데 필요한 평균 시간이 계산되었다. 이 시간에는 공식화 및 합성, 특성화, AI 알고리즘 계산, 다가오는 실험을 준비하기 위한 전체 플랫폼 정리 등 모든 일반적인 단계가 포함된다. 기존 시스템은 빠른 합성 및 특성화로 인해 높은 처리량 실험 작업에 적합한 선택이 아닌 것으로 생각되지만, 본 발명의 일 실시예에 따른 플랫폼(1)은 높은 처리량 스크리닝 및 최적화를 위한 이상적인 옵션이 될 수 있다.
도 5f에서 볼 수 있듯이 각 결정 정책에 대해 총 30회의 실험 라운드가 수행되었으며 결과를 기록했다. 각 정책에 의해 생성된 하이퍼볼륨을 비교함으로써 다목적 베이지안 최적화 전략의 탁월한 성능을 입증할 수 있었다.
이 두 가지 사례 연구의 결과는 통합형 미세유체 연속 흐름 플랫폼(1)에서 운반체로 사용될 나노입자의 제어되고 재현 가능하며 효율적인 제조에 도움이 될 수 있음을 시사한다.
도 6a는 본 발명의 일 실시예에 따른 정제 모듈의 동작 모습 및 도 6b 내지 도 6c는 실험 결과를 도시한 도면이다.
합성 모듈(10)을 통해 나노입자의 합성 이후에 중요한 단계는 나노캐리어 내의 캡슐화된 약물과 캡슐화되지 않은 약물을 분리하는 것이다.
이를 위해 정제 모듈(20)을 활용하며, 정제 모듈(20)은 멤브레인(RC 멤브레인 12000 KDE)으로 분할된 채널을 특징으로 하는 유동 투석 모듈로 구현될 수 있다. 정제 모듈(20)의 버퍼 섹션에는 확산을 활용하고 약물 캡슐화된 나노입자에서 자유 약물을 제거하기 위해 다중 버퍼가 도입되었다.
도 6a에 도시된 대로, 리포솜 샘플(합성 후 나노입자 및 자유 약물로 구성)은 정제 모듈(20) 내에서 10분 투석 과정을 거쳤다. 정제 모듈(20)에 의해 나노입자가 분리된 이후, 분리된 나노입자를 파괴용 용매에 도입하여 약물이 방출되도록 한다. 정제 모듈(20)의 출구에서는 캡슐화된 나노입자가 메탄올에 유입되어 리포솜 막을 파괴하고 캡슐화된 약물을 방출했다. 이때, 메탄올-물 혼합물의 휘발성으로 인해 발생하는 기포 문제를 해결하기 위해 가스 또는 기포 트랩을 사용하여 기포를 제거할 수 있다.
이후, 제2실시간 분석 장치를 이용하여 방출된 약물의 강도를 UV-vis 분광법을 사용하여 측정함으로써 캡슐화된 약물의 양을 측정할 수 있다. 전자장치(100)는 캡슐화된 약물의 양을 측정하여 캡슐화 효율성을 연산할 수 있다.
실제 샘플을 도입하기 전에 정제 모듈(20)의 성능을 검증하기 위해 자유 독소루비신의 제거 효율성을 평가하는 테스트를 수행했다. 95% 제거 임계값을 안전한 것으로 설정하고 0.1, 0.2, 0.3 mg/mL 농도의 독소루비신을 주입했다. 도 6b에 설명된 대로 배출구에서 관찰된 독소루비신 제거율은 지속적으로 95%를 초과하여 독소루비신의 안전한 제거를 보장하였다.
그러나 도 6c에서 알 수 있듯이 정제 모듈(20)의 멤브레인 오염에 따른 문제가 발생함을 발견하였다. 이 문제를 완화하기 위해 멤브레인 세척 메커니즘을 구현하여 도 6d에 도시된 바와 같이 샘플이 10분 동안 흐른 후 추가 10분 동안 더 높은 유속(2mL/분)으로 세척 용매(에탄올)를 주입했다. 이 접근 방식은 멤브레인 오염을 방지하고 사이클 전반에 걸쳐 재현성을 보장할 수 있다. 전반적인 안전 성능을 검증하기 위해 세척 과정을 10사이클 이상 반복했다. 특히, 이 실험 설정에서 DI 수는 투석 장치의 완충제로 사용되었으며, 샘플은 0.1몰 구연산염 완충액에 용해된 독소루비신 용액으로 구성되었으며, 에탄올은 세척 용매로 사용되었다.
캡슐화되지 않은 자유 약물과 약물로 캡슐화된 나노입자를 분리하기 위해, 본 발명의 일 실시예에 따른 정제 모듈(20)을 사용하면 기존 방법에 비해 몇 가지 뚜렷한 이점을 제공할 수 있다.
첫째, 정제 모듈(20)이 실시간으로 작동해 분리 과정을 지속적으로 모니터링할 수 있다. 이는 즉각적인 피드백을 제공하고 동적 조정을 가능하게 하여 전체 프로세스 동안 정확한 캡슐화 효율성 계산을 보장하므로 특히 유리하다.
둘째, 정제 모듈(20)은 연속 흐름 플랫폼(1)과 호환되므로 다른 연속 나노입자 합성 및 제제화 공정과의 통합에 매우 적합하다. 또한 플랫폼(1)에 원활하게 통합되어 높은 처리량과 효율적인 캡슐화 효율성 결정을 촉진할 수 있다.
마지막으로, 광범위한 시료 준비 및 후처리가 필요할 수 있는 다른 기존 방법과 달리 정제 모듈(20)은 복잡한 시료 처리 필요성을 줄여 작업 흐름을 단순화함으로써 시료 손실 또는 오염 위험을 최소화할 수 있다.
도 7은 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 모습을 도시한 도면이다.
도 7은 약물이 담지된 나노입자의 엔드투엔드 자율 생산을 위한 완전히 통합된 플랫폼을 나타낸다.
앞서 도 3의 S20과 관련하여 서술한 바와 같이, 시료 내 음이온성 지질의 양과 POPC 지질과 콜레스테롤의 비율은 리포솜 형성에 중요한 영향을 미친다.
이때, 본 발명에서는 음이온성 지질을 POPG(phosphatidylglycerol)을 사용하였다.
도 7의 우측 하단에 도시된 바와 같이, 본 발명에서는 POPG(0, 10, 20 mol%)에 대해 세 가지 다른 수준과 POPC 대 콜레스테롤 비율(1:2, 1:1, 2:1 mol%)에 대해 세 가지 다른 수준을 고려하여 총 9가지 독특한 조합 결과를 얻었다.
이러한 체계적인 접근 방식을 통해 다양한 조합을 탐색하고 최적화하여 지질 형성 파라미터 간의 상호 작용과 독소루비신이 담지된 리포솜의 결과적인 특성을 철저히 이해하기 위한 토대를 마련할 수 있었다.
지질 형성 외에도 약물 독소루비신의 농도도 0.1 mg/mL ~ 0.3 mg/mL으로 고려되었다. 그리고 마지막으로 총유량, 약물 대 지질의 유속비 등의 유동 관련 파라미터들도 선택되었다.
지질 제형 및 독소루비신 용액의 선택은 자동화된 펌핑 장치와 연결된 선택기 밸브를 활용하여 진행되었다. 다목적 베이지안 최적화 알고리즘에 의해 제안된 파라미터 값을 기반으로 약물이 담지된 나노입자는 합성 모듈(10)과 정제 모듈(20)의 유속 불일치를 해결하려고 시도하는 샘플 수집기 구성 요소에 의해 합성 및 수집될 수 있다. 그런 다음 수집된 샘플을 10분의 유지 시간으로 정제 모듈(20)에 주입한 후 나노입자 파괴를 위해 메탄올을 주입하고 마지막으로 제1실시간 분석 장치(DLS) 및 제2실시간 분석 장치(UV-Vis 기기)를 각각 사용하여 나노입자의 크기 및 약물의 양을 측정했다.
도 8a 및 도 8b는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 효율성을 도시한 도면이다.
시간 및 시료 소비의 효율성은 특히 나노입자 기반 나노의약품의 합성, 정제, 특성화 및 최적화에서 우리가 개발한 통합 플랫폼을 기존의 수동 및 인간 제어 흐름 또는 배치 시스템과 차별화되는 중요한 측면이다. 이러한 요소의 중요성은 빠른 프로세스로 인해 더 빠른 발전과 향상된 환자 결과로 이어지는 약물 개발의 가속화된 속도에 있다.
시기적절한 생산이 핵심인 경우, 예를 들어, 암 치료의 경우 나노입자를 효율적으로 합성, 정제, 특성화 및 최적화하는 능력은 시기적절하고 효과적인 치료법을 제공하는 것이 가장 중요하다. 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼(1)은 이 점에서 탁월하여 합성 시간을 크게 단축시킬 수 있다. 그림 8a에 표시된 것처럼 업스트림(upstream), 즉 나노입자 합성에 따른 시간 범위는 약 9~180초이며, 총 유량이 변화하는 경우에도 놀라운 효율성을 보여준다. 더욱이, 도 8a에 도시된 것처럼 전체 프로세스는 단지 16~20분에 불과하며, 다운스트림(downstream)인 정제 모듈(20)이 대부분의 시간(10~12분)을 구성한다. 이러한 효율성은 특히 긴급 의료 상황에서 환자에게 나노입자 기반 나노의약품을 신속하게 전달하는 데 매우 중요하다.
샘플 소비 측면에서 플랫폼(1)은 놀라운 효율성을 보여준다. 도 8b에서 볼 수 있듯이 유속 비율(1~20개의 독소루비신 대 지질 범위)을 기준으로 독소루비신과 지질의 누적 소비는 최소로 총 3.25mL이다. 또한 플랫폼(1)의 무결성을 유지하는 데 중요한 단계인 세척 과정에서는 5~8mL의 적당한 세척액을 사용한다. 플랫폼(1)의 전반적인 효율성은 전체 프로세스에서 인간의 개입을 제거할 뿐만 아니라 시료 소비를 크게 줄여 생물 의학 연구에서 지속 가능하고 자원 효율적인 관행에 대한 현대적인 강조와 일치한다. 요약하자면, 우리가 개발한 통합 플랫폼(1)은 신속하고 효과적인 합성을 보장할 뿐만 아니라 시간과 시료 활용 측면에서 비교할 수 없는 효율성으로 나노입자 기반 나노의학의 발전에 기여한다.
도 9a는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼의 동작 흐름도 및 도 9b 내지 도 9c는 실험 결과를 도시한 도면이다.
도 9a는 플랫폼(1)의 전반적인 효능을 입증하기 위해 리포솜 합성에 초점을 맞춘 프로세스의 자세한 흐름도를 도시한다. 처음에 다목적 베이지안 최적화 알고리즘은 실험을 위한 최적의 조건을 제안한다(AI-based Decision Making). 그 후, 플랫폼(1)은 5~8분 동안 지속되는 에탄올을 사용한 세척 단계를 거친다(Wash the system). 그런 다음 다목적 베이지안 최적화 알고리즘의 권장 사항에 따라 적절한 독소루비신 및 지질에 대한 밸브를 설정하고 펌프 장치를 채운다(Rotate the valve based on Recipe & Fill the pumps for synthesis).
그런 다음 플랫폼(1)은 0.25mL에 대해 1mL/분의 유속으로 설정된다(Warm-up system with 0.25mL sample). 후속 단계에서는 합성 모듈(10)에서 제안된 레시피에 따라 실험 샘플을 준비하고 수집 펌프에 의해 수집된다(Prepare the sample with recipe & Collect sample with sample collector).
수집된 샘플은 정제 모듈(20)에 주입되며, 이 과정에는 10분이 소요된다(Dialysis). 정제 모듈(20)의 출구에서는 메탄올을 투입하고(Methanol Injection), 방출된 약물을 UV-Vis를 이용하여 분석하여 캡슐화 효율성을 측정한다(Measure Drug-loading). 마지막으로 플랫폼(1)을 정지하고 DLS(동적 광산란) 장치를 사용하여 나노입자 크기를 측정한다(Measure size).
플랫폼(1)의 견고성을 평가하기 위해 도 9b에 설명된 것처럼 각각 6시간의 시간 간격을 두고 두 번의 실험에 대해 세 가지 다른 합성 조건에서 엔드투엔드 처리를 수행했다.
플랫폼(1)의 성능 평가를 위해 우리는 1) 나노입자 크기, 2) 캡슐화 효율성, 3) 예상 로딩 용량이라는 세 가지 목표를 정의했다. 중요한 지표인 캡슐화 효율성은 나노입자 내에 캡슐화된 약물의 비율을 반영하여 합성 과정의 효능에 대한 통찰력을 제공한다.
전반적으로 다목적 베이지안 최적화 알고리즘은 치료효과의 향상으로서 캡슐화 효율성을 극대화할 수 있는 조건을 제시하고자 하였으며, 예상 로딩 용량을 극대화하는 것은 지질의 소모를 줄이면서 독소루비신의 담지를 최대화하여 치료 효과를 높이는 동시에 지질에 의해 유발되는 세포 독성을 감소시킬 수 있다.
도 9b 크기에서 볼 수 있듯이 EE와 ELC는 6시간의 차이 과정에서 재현 가능한 결과를 보여주었으며, 이는 합성부터 정제, 최종 특성화까지 플랫폼(1)이 모든 수준에서 견고함을 나타낸다.
플랫폼(1)의 견고성과 재현성을 종합적으로 평가한 후, 캡슐화 효율성(EE)과 예상 로딩 용량(ELC)을 모두 포괄하여 약물 로딩을 최대화하는 데 중점을 두고 폐쇄 루프 자율 구동 프로세스를 위해 이 플랫폼(1)을 배포하는 것을 구상한다.
자체 최적화 프로세스를 시작하기 전에 사용자는 자신의 요구 사항에 맞는 특정 나노입자 크기를 선택할 수 있다. 그런 다음 플랫폼(1)은 빠른 시간 내에 최소한의 주기로 원하는 크기를 달성하기 위해 효율적으로 작동하며 동시에 다른 중요한 목표를 최적화한다. 이 새로운 접근법은 특히 맞춤형 의료의 경우 상당한 가능성을 갖고 있다. 사용자 정의 속성으로 특정 나노의학을 맞춤화해야 하는 시나리오의 경우 플랫폼은 개별화된 치료 요구 사항을 충족하도록 신속하게 적응할 수 있다. 이러한 맞춤형 맞춤화를 통해 나노의학은 원하는 치료 효과를 제공하도록 정밀하게 설계되어 개별 환자의 치료 결과를 최적화할 수 있다.
이 접근법은 다중 장기 전달이 필수적일 수 있는 암 전이의 맥락에서 또 적절하게 적용될 수 있다. 다양한 나노입자 크기가 특정 장기에 다양한 영향을 미칠 수 있다는 점을 인식한 이 플랫폼(1)은 나노의학의 신속한 준비, 정제 및 최적화에 탁월하다. 이를 통해 주문형 치료 효과가 가능해 나노의학이 지정된 크기 기준에 따라 특정 기관에 전달되도록 준비된다. 본질적으로, 본 발명의 일 실시예에 따른 플랫폼(1)은 맞춤형 치료 솔루션에 대한 수요 증가에 맞춰 나노의학 합성의 패러다임 전환을 제시하고 암 전이와 관련된 맞춤형 의학부터 효율적인 다기관 전달에 이르기까지 다양한 의료 시나리오를 해결하기 위한 역동적인 접근 방식을 제공할 수 있다.
도 9c에 도시된 바와 같이, 플랫폼(1)의 성능을 평가하기 위해 요구되는 크기 70, 170 및 350nm를 달성한다는 목표를 제시했다. 다목적 베이지안 최적화 알고리즘은 캡슐화 효율성(EE)과 예상 로딩 용량(ELC)을 최대화하는 동시에 측정된 크기와 대상으로 선택한 크기 간의 절대 차이를 최소화하는 작업을 수행했다.
도 9c를 살펴보면 베이지안 최적화 루프에서 단 한 번의 초기 무작위 실험으로 플랫폼(1)은 단 11번의 실험만으로 첫 번째 목표 크기에 성공적으로 도달했다. 이러한 초기 라운드에서 얻은 통찰력을 활용하여 플랫폼(1)은 170nm와 350nm의 다른 목표 크기에 도달하는 데 단 2개의 추가 단계만 필요했다.
이 프로세스 전반에 걸쳐 플랫폼(1)은 캡슐화 효율성을 60%의 일관된 수준으로 적절하게 유지하여 첫 번째 타겟팅 주기에서 10% 예상 로딩 용량을 달성하고 후속 원하는 단계에서 지속적으로 예상 로딩 용량을 3% 초과했다.
이러한 결과는 플랫폼(1)의 탁월한 적응성과 효율성을 나타내는 강력한 지표로 사용된다. 최소한의 실험으로 목표 크기에 대한 신속한 수렴은 특정 사용자 정의 목표를 충족하는 데 있어 자율주행 플랫폼의 효율성을 강조한다. 또한 다양한 과제 단계에서 높은 캡슐화 효율성과 상당한 예상 로딩 용량을 유지하는 플랫폼(1)의 능력은 견고성과 신뢰성을 강조한다. 이는 정밀 나노의학 합성을 위한 강력한 도구로서 플랫폼(1)의 잠재력을 강조하며, 맞춤형 치료 적용을 위한 귀중한 통찰력을 제공하고 약물 전달의 복잡한 과제를 효율적으로 해결할 수 있다.
도 10은 도 9c의 세부 결과를 나타낸 표이다.
도 10에 도시된 것처럼, 대상 1(70nm)에 대한 첫 11라운드에서 다목적 베이지안 최적화 알고리즘은 크기를 제어할 뿐만 아니라 더 높은 캡슐화 효율성 및 예상 로딩 용량에 대한 다양한 파라미터를 탐색하는 경향이 있다.
몇 번의 라운드 후에 다목적 베이지안 최적화 알고리즘은 다량의 POPG(20mol%)를 사용하고 P/C 비율을 2(2:1)로 고정하는 경향이 있다. 그 사이에 원하는 최소화 크기에 대한 적절한 흐름 조건을 찾으려고 한다. 첫 번째 목표의 마지막 사이클에서 다목적 베이지안 최적화 알고리즘은 P/C의 균형(1:1)을 사용하여 가능한 가장 높은 음이온성 지질을 사용하여 총 유량을 최고 및 중간 유량 비율로 설정했다.
이 라운드와 목표 변경 후에는 흐름 조건을 변경해야만 최적의 사이클이 발견되었으며, 이로 인해 캡슐화 효율성 및 예상 로딩 용량이 허용 가능한 범위로 유지되고 크기가 어느 정도 증가했다.
음이온성 지질이 약간 변형되어 예상 로딩 용량이 감소한 다음 타겟에서도 동일한 과정이 발생했지만 유속과 유속 비율을 거의 최소 수준으로 낮추어 원하는 크기를 달성했다.
도 11a 내지 도 11d는 본 발명의 일 실시예에 따른 통합형 미세유체 연속 흐름 플랫폼을 이용하여 PEG-PLGA 나노 입자를 합성하는 모습 및 실험결과를 도시한 도면이다.
구체적으로, 도 11a는 PEG-PLGA 나노입자 제조를 위한 합성 모듈의 개략도, 도 11b는 PEG-PLGA 나노입자 제조를 위한 폐쇄 루프 자율 플랫폼에서 획득한 크기 및 EE 결과를 나타내는 도면, 도 11c는 자율 플랫폼에서 얻은 크기 및 EE에 대한 최대 결과를 나타내는 도면, 도 11d는 폐쇄 루프 최적화 프로세스 전반에 걸쳐 실험 실행 및 제안 조건을 고려한 누적 결과를 나타내는 도면이다.
다양한 유형의 나노캐리어에 대해 개발된 플랫폼 활용의 다양성을 추가로 확인하기 위해, 도 11a와 같이 Dox가 탑재된 PEG-PLGA 나노입자의 자율 합성을 위한 시스템을 구축했다. 도 11a에 도시된 바와 같이, 리포솜을 이용한 플램폼과 비교하여 수정된 부분은 지질 제형 스톡은 5, 10, 15 및 20mg/mL로 설정된 농도를 갖는 아세토니트릴에 용해된 PEG-PLGA 중합체로 대체된 합성 모듈(ANS)이다.
또한, 리포솜(TFR, FRR)에 대한 이전 캠페인에서 고려된 일반적인 흐름 매개변수와 Dox의 농도가 최적화를 위한 매개변수로 선택되었다. 폐쇄 루프 최적화 실험은 20회(각각 3회 반복) 동안 수행되었으며 이에 따라 나노 입자의 크기와 EE가 측정되었다. 또한, 리포솜(TFR, FRR)에 대한 이전 캠페인에서 고려된 일반적인 흐름 매개변수와 Dox의 농도가 최적화를 위한 매개변수로 선택되었다. 폐쇄 루프 최적화 실험은 20회(각각 3회 반복) 동안 수행되었으며 이에 따라 나노 입자의 크기와 EE가 측정되었다.
도 11b를 참조하면, 이 실험의 전체 결과 및 파레토 경계(Pareto frontiers)로, 합성된 나노입자의 크기는 100nm보다 약간 작은 것부터 약 500nm까지, EE 값은 약 6%에서 약 88%까지 다양하게 나타남을 알 수 있다.
리포솜 나노입자에 대한 최적화 캠페인과 유사하게 qNEHVI 획득 기능을 갖춘 MOBO 알고리즘을 사용하여 크기를 최소화하고 EE를 최대화했다. 도 11c에 도시된 바와 같이, 여섯 번째 실험에서는 최소 크기 98nm가 관찰되었으며, 여덟 번째 실험에서는 EE의 최대값(88%)이 탐색되어 MOBO 알고리즘의 전반적인 성능이 우수함을 나타낸다. 도 11d에 표시된 대로 프로세스가 더 많은 수의 실험으로 진행됨에 따라 알고리즘은 일반적으로 더 높은 EE 값에 해당하는 더 높은 농도의 Dox(0.3mg/mL)와 더 낮은 농도의 PEG-PLGA를 갖는 조건을 제안하는 경향이 있다. 초기에 Dox의 낮은 농도가 선택된 초기 실험 실행과 대조적이다.
이 두 가지 실험 플랫폼은 나노입자 크기 타겟팅 또는 최적화를 위해 서로 다른 방향으로 다양한 유형의 약물이 탑재된 나노입자를 합성하고 불필요한 담체 독성을 최소화할 수 있는 약물 로딩 최적화를 위한 최첨단 플랫폼의 효율적인 활용을 승인함을 알 수 있다. 동시에 표적 전달 속도를 높이며, 핵산과 같은 다른 유형의 치료제의 캡슐화를 통해 개인화되고 체계적인 표적 전달을 달성할 수 있는 잠재력을 보유하고 있다.
[이 발명을 지원한 국가연구개발사업]
[과제고유번호]1711180482
[세부과제번호] 2017R1A3B1023598
[부처명] 과학기술정보통신부
[연구관리전문기관] 한국연구재단
[연구사업명] 개인기초연구
[연구과제명] 지능형 미세유체 기반 정밀의약 합성공정 및 응용연구
[기여율] 100%
[주관기관] 포항공과대학교
[연구기간]2023-03-01 ~ 2024-02-29

Claims (17)

  1. 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조를 위한 통합형 미세유체 연속 흐름 플랫폼에 있어서,
    대상 약물이 담지된 나노입자를 합성하는 합성 모듈;
    상기 합성 모듈로부터 유입되는 상기 나노입자와 상기 나노입자에 담지되지 않은 약물을 분리하는 정제 모듈;
    상기 정제 모듈을 통해 분리된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 실시간 분석 장치; 및
    다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 합성 모듈에 대한 복수의 파라미터의 파라미터 값을 결정하는 전자장치;를 포함하는 플랫폼.
  2. 제1항에 있어서,
    상기 합성 모듈은,
    총 유량, 대상 약물과 지질의 유량 비율, 음이온성 지질 농도, POPC(1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) 지질과 콜레스테롤의 비율 및 대상 약물의 농도를 포함하는 상기 복수의 파라미터의 파라미터 값을 이용하여 상기 나노입자를 합성하는 플랫폼.
  3. 제1항에 있어서,
    상기 실시간 분석 장치는,
    상기 나노입자의 크기를 측정하는 제1실시간 분석 장치; 및
    상기 나노입자에 담지된 대상 약물의 양을 측정하는 제2실시간 분석 장치를 포함하는 플랫폼.
  4. 제3항에 있어서,
    상기 제2실시간 분석 장치는,
    상기 나노입자를 파괴하는 용액을 이용하여 파괴된 나노입자로부터 담지된 대상 약물의 양을 측정하는 플랫폼.
  5. 제1항에 있어서,
    상기 전자장치는,
    초기 대상 약물의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 캡슐화 효율성, 및 초기 지질의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 예상 로딩 용량을 연산하는 플랫폼.
  6. 제5항에 있어서,
    상기 전자장치는,
    캡슐화 효율성과 예상 로딩 용량을 최대화하는 동시에 측정된 상기 나노입자의 크기와 타겟 크기 간의 차이를 최소화하도록 하는 상기 파라미터 값을 결정하는 플랫폼.
  7. 제1항에 있어서,
    상기 전자장치는,
    결정된 상기 파라미터 값에 기초하여 상기 나노입자를 합성하도록 상기 합성 모듈을 제어하는 플랫폼.
  8. 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조를 위한 전자장치에 있어서,
    합성 모듈에 의해 합성된 대상 약물이 담지된 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신하고,
    다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 합성 모듈에 대한 복수의 파라미터의 파라미터 값을 결정하는 프로세서;를 포함하는 전자장치.
  9. 제8항에 있어서,
    상기 나노입자는,
    상기 합성 모듈로부터 유입되어 정제모듈을 통해 상기 나노입자에 담지되지 않은 약물과 분리된 것을 특징으로 하는 전자장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    실시간 분석 장치로부터 측정된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양에 관한 정보를 수신하는 전자장치.
  11. 제10항에 있어서,
    상기 실시간 분석 장치는,
    상기 나노입자의 크기를 측정하는 제1실시간 분석 장치; 및
    상기 나노입자에 담지된 대상 약물의 양을 측정하는 제2실시간 분석 장치를 포함하는 것을 특징으로 하는 전자장치.
  12. 제11항에 있어서,
    상기 제2실시간 분석 장치는,
    상기 나노입자를 파괴하는 용액을 이용하여 파괴된 나노입자로부터 담지된 대상 약물의 양을 측정하는 것을 특징으로 하는 전자장치.
  13. 제8항에 있어서,
    상기 복수의 파라미터는,
    총 유량, 대상 약물과 지질의 유량 비율, 음이온성 지질 농도, POPC(1-palmitoyl-2-oleoyl-sn-glycero-3-phosphocholine) 지질과 콜레스테롤의 비율 및 대상 약물의 농도를 포함하는 전자장치.
  14. 제8항에 있어서,
    상기 프로세서는,
    초기 대상 약물의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 캡슐화 효율성, 및 초기 지질의 양 대비 상기 나노입자에 담지된 대상 약물의 양을 나타내는 예상 로딩 용량을 연산하는 전자장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    캡슐화 효율성과 예상 로딩 용량을 최대화하는 동시에 측정된 상기 나노입자의 크기와 타겟 크기 간의 차이를 최소화하도록 하는 상기 파라미터 값을 결정하는 전자장치.
  16. 제8항에 있어서,
    상기 프로세서는,
    결정된 상기 파라미터 값에 기초하여 상기 나노입자를 합성하도록 상기 합성 모듈을 제어하는 전자장치.
  17. 통합형 미세유체 연속 흐름 플랫폼을 이용한 인공지능 기반 최적화된 약물 전달용 나노입자의 자동 제조 방법에 있어서,
    복수의 파라미터에 기초하여 대상 약물이 담지된 나노입자를 합성하는 단계;
    상기 합성 모듈로부터 유입되는 상기 나노입자와 상기 나노입자에 담지되지 않은 약물을 분리하는 단계;
    분리된 상기 나노입자의 크기 및 상기 나노입자에 담지된 대상 약물의 양을 측정하는 단계; 및
    다목적 베이지안 최적화(Multi-Objective Bayesian Optimization, MOBO) 알고리즘을 이용하여 상기 나노입자의 크기 및 대상 약물의 양에 따른 상기 복수의 파라미터의 파라미터 값을 결정하는 단계를 포함하는 방법.
PCT/KR2024/007811 2023-06-07 2024-06-07 최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼 Ceased WO2024253460A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20230073223 2023-06-07
KR10-2023-0073223 2023-06-07
KR10-2024-0074444 2024-06-07
KR1020240074444A KR20240174065A (ko) 2023-06-07 2024-06-07 최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼

Publications (1)

Publication Number Publication Date
WO2024253460A1 true WO2024253460A1 (ko) 2024-12-12

Family

ID=93796249

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/007811 Ceased WO2024253460A1 (ko) 2023-06-07 2024-06-07 최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼

Country Status (1)

Country Link
WO (1) WO2024253460A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220033960A (ko) * 2020-09-10 2022-03-17 포항공과대학교 산학협력단 약물 입자 담지율 향상을 위한 3차원 미세유체 반응기 및 이를 이용한 균일한 캡슐의 연속 일괄 제조방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220033960A (ko) * 2020-09-10 2022-03-17 포항공과대학교 산학협력단 약물 입자 담지율 향상을 위한 3차원 미세유체 반응기 및 이를 이용한 균일한 캡슐의 연속 일괄 제조방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BHATTACHARJEE GARGI, GOHIL NISARG, SHUKLA MALVIKA, SHARMA SWATI, MANI INDRA, PANDYA ALOK, CHU DINH-TOI, BUI NHAT LE, THI YEN-VY NG: "Exploring the potential of microfluidics for next-generation drug delivery systems", OPENNANO, vol. 12, 1 July 2023 (2023-07-01), pages 100150, XP093246007, ISSN: 2352-9520, DOI: 10.1016/j.onano.2023.100150 *
DAMIATI SAFA A., DAMIATI SAMAR: "Microfluidic Synthesis of Indomethacin-Loaded PLGA Microparticles Optimized by Machine Learning", FRONTIERS IN MOLECULAR BIOSCIENCES, vol. 8, XP093045792, DOI: 10.3389/fmolb.2021.677547 *
EGOROV EGOR; PIETERS CALVIN; KORACH-RECHTMAN HILA; SHKLOVER JENY; SCHROEDER AVI: "Robotics, microfluidics, nanotechnology and AI in the synthesis and evaluation of liposomes and polymeric drug delivery systems", DRUG DELIVERY AND TRANSLATIONAL RESEARCH, SPRINGER, GERMANY, vol. 11, no. 2, 1 January 1900 (1900-01-01), Germany , pages 345 - 352, XP037393814, ISSN: 2190-393X, DOI: 10.1007/s13346-021-00929-2 *
TAO HUACHEN, WU TIANYI, KHEIRI SINA, ALDEGHI MATTEO, ASPURU‐GUZIK ALÁN, KUMACHEVA EUGENIA: "Self‐Driving Platform for Metal Nanoparticle Synthesis: Combining Microfluidics and Machine Learning", ADVANCED FUNCTIONAL MATERIALS, WILEY - V C H VERLAG GMBH & CO. KGAA, DE, vol. 31, no. 51, 1 December 2021 (2021-12-01), DE , XP093246006, ISSN: 1616-301X, DOI: 10.1002/adfm.202106725 *

Similar Documents

Publication Publication Date Title
US6456942B1 (en) Network infrastructure for custom microarray synthesis and analysis
Knockenhauer et al. The nuclear pore complex as a flexible and dynamic gate
US8369977B2 (en) Coating and developing apparatus
Basanta et al. Homeostasis back and forth: an ecoevolutionary perspective of cancer
US20080182056A1 (en) Hollow Microsphere Particles
US20130268238A1 (en) Multivariate Monitoring of a Batch Manufacturing Process
WO2007141131A9 (en) Microfluidic device for controlled aggregation of spider silk
WO2003006215A2 (en) Robotic system control
Veletić et al. Modeling of modulated exosome release from differentiated induced neural stem cells for targeted drug delivery
Tsai et al. Genetic algorithm for discovery of globally stable phases in block copolymers
JP4564602B2 (ja) 半導体製造設備管理システムの設備ユニット状態管理方法
US20010018620A1 (en) System for controlling a process for interconnection of optical fibers including fuzzy logic control and optimization architecture
KR20240174065A (ko) 최적화된 약물 전달 나노입자의 생산을 위한 연속 흐름기반 통합형 인공지능 미세유체 플랫폼
Ördög et al. Opto-electronic feedback control of membrane potential for real-time control of action potentials
Tahilani et al. The era of artificial intelligence in pharmaceutical industries-A review
Pourciel et al. Development of photo-polymerisable polyvinyl alcohol for biotechnological applications
Vihmar et al. Silk-inspired in situ web spinning for situated robots
Wang et al. A practical approach for comparing means of two groups without equal variance assumption
US20200261877A1 (en) Method for forming lipid membrane vesicle and microreactor chip
JPH0915122A (ja) マイクロ・ラボラトリー・システム
Han et al. Programming Interfacial Polymerization: Machine Learning Unveils Quantitative Rational Design Rules for Microcapsules and Beyond
Chandrika et al. AI: THE Revolutionary impact on drug delivery systems–a new era in medicine
Wen et al. Artificial cells for cellular behavior mimicry induced by sphingomyelin degradation
Gonzalez Automated Electrophysiology to Investigate the Role of Interneurons in Alzheimer's Disease
Subramaniam Understanding the Material-Process-Structure Properties in Electrospinning Using Experimental and Physics-Informed Techniques

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24819611

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE