Matching chelators to radiometals for radiopharmaceuticals
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
Radiometals comprise many useful radioactive isotopes of various metallic elements. When properly harnessed, these have valuable emission properties that can be used for diagnostic imaging techniques, such as single photon emission computed tomography (SPECT, e.g.(67)Ga, (99m)Tc, (111)In, (177)Lu) and positron emission tomography (PET, e.g.(68)Ga, (64)Cu, (44)Sc, (86)Y, (89)Zr), as well as therapeutic applications (e.g.(47)Sc, (114m)In, (177)Lu, (90)Y, (212/213)Bi, (212)Pb, (225)Ac, (186/188)Re). A fundamental critical component of a radiometal-based radiopharmaceutical is the chelator, the ligand system that binds the radiometal ion in a tight stable coordination complex so that it can be properly directed to a desirable molecular target in vivo. This article is a guide for selecting the optimal match between chelator and radiometal for use in these systems. The article briefly introduces a selection of relevant and high impact radiometals, and their potential utility to the fields of radiochemistry, nuclear medicine, and molecular imaging. A description of radiometal-based radiopharmaceuticals is provided, and several key design considerations are discussed. The experimental methods by which chelators are assessed for their suitability with a variety of radiometal ions is explained, and a large selection of the most common and most promising chelators are evaluated and discussed for their potential use with a variety of radiometals. Comprehensive tables have been assembled to provide a convenient and accessible overview of the field of radiometal chelating agents.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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