Learning from biology: synthetic lipoproteins for drug delivery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Synthetic lipoproteins represent a relevant tool for targeted delivery of biological/chemical agents (chemotherapeutics, siRNAs , photosensitizers, and imaging contrast agents) into various cell types. These nanoparticles offer a number of advantages for drugs delivery over their native counterparts while retaining their natural characteristics and biological functions. Their ultra‐small size (<30 nm), high biocompatibility, favorable circulation half‐life, and natural ability to bind specific lipoprotein receptors, i.e., low‐density lipoprotein receptor ( LDLR ) and Scavenger receptor class B member 1 ( SRB1 ) that are found in a number of pathological conditions (e.g., cancer, atherosclerosis), make them superior delivery strategies when compared with other nanoparticle systems. We review the various approaches that have been developed for the generation of synthetic lipoproteins and their respective applications in vitro and in vivo . More specifically, we summarize the approaches employed to address the limitation on use of reconstituted lipoproteins by means of natural or recombinant apolipoproteins, as well as apolipoprotein mimetic molecules. Finally, we provide an overview of the advantages and disadvantages of these approaches and discuss future perspectives for clinical translation of these nanoparticles. WIREs Nanomed Nanobiotechnol 2015, 7:298–314. doi: 10.1002/wnan.1308 This article is categorized under: Diagnostic Tools > In Vivo Nanodiagnostics and Imaging Biology-Inspired Nanomaterials > Lipid-Based Structures Therapeutic Approaches and Drug Discovery > Nanomedicine for Oncologic Disease
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle