Quantifying impurities in cationic lipids raw materials with the inverse gradient method using LC-CAD-MS

Význam tématu

Správná kvantifikace neznámých nečistot v kationických lipidech je zásadní pro zajištění kvality a bezpečnosti lipidových nanočástic využívaných v mRNA vakcínách a dalších bioterapeutikách. Klasické metody často vyžadují referenční standardy jednotlivých nečistot, které však nemusí být k dispozici. Metoda využívající inverzní gradient v kombinaci s detekcí CAD a potvrzením hmotnostním spektrem nabízí univerzální přístup k surrogate kvantifikaci nevolatile lipidů bez potřeby specifických standardů nečistot.

Cíle a přehled studie

Cílem studie bylo:

• Vyvinout a validovat metodu inverzního gradientu UHPLC-CAD-MS pro kvantifikaci nečistot v kationických lipidech bez referenčních standardů.
• Porovnat přesnost surrogate kvantifikace pomocí inverzního gradientu a konvenčního gradientu.
• Uplatnit metodu na tři běžné kationické lipidy (R-DOTAP, DLin-KC2-DMA, ALC-0315).

Použitá metodika a instrumentace

Metoda kombinuje:

• UHPLC systém Thermo Scientific Vanquish Flex Inverse Gradient s biokompatibilní kapilární konfigurací.
• Chromatografickou kolonu Hypersil GOLD C8 (3,0 × 100 mm, 3 μm).
• Charged Aerosol Detector (CAD) pro univerzální citlivou detekci nevolatilních a semivolatilních lipidů při konstantní složení eluční složky.
• Single kvadrupólový hmotový spektrometr ISQ EM pro potvrzení monoisotopní hmoty lipidů a nečistot.
• Softwarové prostředí Chromeleon CDS s wizardy pro automatickou konfiguraci inverzního gradientu, metody a reportu.

Hlavní výsledky a diskuse

Analýza tří standardních lipidů ukázala, že odchylka surrogate kvantifikace mezi inverzním a konvenčním gradientem narůstá s rostoucí časovou vzdáleností (ΔRT) nečistoty od hlavní špičky:

• R-DOTAP Impurity I (ΔRT –3,9 min): +36 % rozdíl.
• R-DOTAP Impurity II (ΔRT –3,0 min): +18 % rozdíl.
• R-DOTAP Impurity III (ΔRT –1,1 min): +5 % rozdíl.
• DLin-KC2-DMA Impurity (ΔRT +0,5 min): –9 % rozdíl.
• ALC-0315 Impurity (ΔRT –2,9 min): +20 % rozdíl.

Inverzní gradient kompenzuje změny složení mobilní fáze ve prospěch konstantní citlivosti CAD a minimalizuje systematické pod- či nadhodnocení nečistot při surrogate kvantifikaci.

Přínosy a praktické využití metody

Metoda umožňuje:

• Surrogate kvantifikaci neznámých nečistot bez nutnosti jejich čistých referencí.
• Rychlé nastavení a validaci pomocí Chromeleon wizardů.
• Široké uplatnění v R&D, QA/QC a stabilitních studiích lipidových nanoformulací.

Budoucí trendy a možnosti využití

Očekávané rozšíření a optimalizace:

• Aplikace na další třídy lipidů a excipientů v biotechnologiích.
• Integrace s vysokorozlišujícím hmotovým spektrem pro pokročilou identifikaci nečistot.
• Automatizované reportování a sledování kvality během výrobních procesů.

Závěr

Inverzní gradientní UHPLC-CAD-MS metoda nabízí spolehlivou surrogate kvantifikaci nevolatile lipofilních nečistot v absence referenčních standardů. Výrazně omezuje chyby spojené se změnou složení mobilní fáze a umožňuje přesnější monitorování kvality kationických lipidů v LNP formulacích.

Reference

1. EMA Committee for Medicinal Products for Human Use (2020) Assessment report: Comirnaty COVID-19 mRNA vaccine. EMA/CHMP.
2. Henson HT et al. Viruses 2023, 15(2):538. R-DOTAP Cationic Lipid Nanoparticles.
3. Crafts C et al. Thermo Fisher Scientific Application Note 72490. Improving unknown impurity analysis using dual-gradient HPLC-CAD.
4. Lovejoy K et al. Thermo Fisher Scientific Application Note 001630. UHPLC/UV/CAD/MS method for extractables and leachables.
5. Hackbusch S et al. Thermo Fisher Scientific Application Note 002455. LC/CAD/HRAM-MS profiling of LNP raw materials.