Inhibition of Multidrug Resistance of Cancer Cells by Co‐Delivery of DNA Nanostructures and Drugs Using Porous Silicon Nanoparticles@Giant Liposomes
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
Biocompatible, multifunctional, stimuli responsive, and high drug loading capacity are key factors for the new generation of drug delivery platforms. However, it is extremely challenging to create such a platform that inherits all these advanced properties in a single carrier. Herein, porous silicon nanoparticles (PSi NPs) and giant liposomes are assembled on a microfluidic chip as an advanced nano‐in‐micro platform (PSi NPs@giant liposomes), which can co‐load and co‐deliver hydrophilic and hydrophobic drugs combined with synthesized DNA nanostructures, short gold nanorods, and magnetic nanoparticles. The PSi NPs@giant liposomes with photothermal and magnetic responsiveness show good biocompatibility, high loading capacity, and controllable release. The hydrophilic thermal oxidized PSi NPs encapsulate hydrophobic therapeutics within the hydrophilic core of the giant liposomes, endowing high therapeutics loading capacity with tuneable ratio and controllable release. It is demonstrated that the DAO‐E A DNA nanostructures have synergism with drugs and importantly they contribute to the significant enhancement of cell death to doxorubicin‐resistant MCF‐7/DOX cells, overcoming the multidrug resistance in the cancer cells. Therefore, the PSi NPs@giant liposomes nano‐in‐micro platform hold great potential for a cocktail delivery of drugs and DNA nanostructures for effective cancer therapy, controllable drug release with tuneable therapeutics ratio, and both photothermal and magnetic dual responsiveness.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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