Pendahuluan: Menuju Formulasi RNA yang Lebih Efisien
Perkembangan teknologi nano telah merevolusi dunia farmasi, khususnya dalam pengembangan sistem penghantaran RNA. Lipid nanopartikel (LNP) menjadi medium utama dalam memfasilitasi masuknya molekul RNA ke dalam sel target. Paper ini mengusung satu benang merah yang kuat—bahwa keberhasilan sistem penghantaran RNA sangat tergantung pada ketepatan desain formulasi dan kontrol terhadap parameter kritikal selama proses produksi.
Penulis mengusulkan bahwa Quality by Design (QbD) dan Design of Experiments (DOE) bukan sekadar alat bantu statistik, melainkan pendekatan sistematik dan filosofis yang dapat mengarahkan formulasi LNP ke titik optimal dalam kualitas, efisiensi, dan reprodusibilitas.
Kerangka Teoretis: Mengartikulasikan QbD sebagai Paradigma Baru
QbD: Lebih dari Sekadar Kepatuhan Regulasi
Penulis mengacu pada panduan ICH Q8 hingga Q11 untuk mendefinisikan QbD sebagai pendekatan pengembangan produk yang berbasis pada pemahaman proses, tujuan kualitas yang telah ditentukan, serta penerapan prinsip ilmiah dan manajemen risiko. Konsep kunci dari QbD mencakup:
- Quality Target Product Profile (QTPP): Menentukan karakteristik produk akhir seperti bentuk sediaan, dosis, stabilitas, dan efektivitas klinis.
- Critical Quality Attributes (CQAs): Parameter output seperti ukuran partikel, efisiensi enkapsulasi, dan potensi zeta.
- Critical Process Parameters (CPPs): Faktor proses seperti suhu, waktu sonikasi, rasio bahan, yang dapat mempengaruhi CQAs.
- Critical Material Attributes (CMAs): Ciri-ciri dari bahan awal yang berpengaruh pada proses dan produk akhir.
Melalui risk assessment dan desain ruang proses (design space), pengembang dapat mengidentifikasi interaksi antara parameter, memprediksi potensi deviasi, dan merancang strategi kontrol yang berkelanjutan.
DOE: Dari Eksperimen Acak ke Optimasi Berbasis Data
DOE digunakan untuk mengevaluasi efek simultan dari berbagai faktor terhadap output formulasi. Penulis menunjukkan bahwa pendekatan statistik konvensional seperti ANOVA dan regresi kini mulai digantikan oleh metode canggih seperti machine learning, tanpa mengesampingkan pentingnya validasi eksperimental.