Cytotoxicity of surface-functionalized silicon and germanium nanoparticles: the dominant role of surface charges
Notice bibliographique
Résumé
Although it is frequently hypothesized that surface (like surface charge) and physical characteristics (like particle size) play important roles in cellular interactions of nanoparticles (NPs), a systematic study probing this issue is missing. Hence, a comparative cytotoxicity study, quantifying nine different cellular endpoints, was performed with a broad series of monodisperse, well characterized silicon (Si) and germanium (Ge) NPs with various surface functionalizations. Human colonic adenocarcinoma Caco-2 and rat alveolar macrophage NR8383 cells were used to clarify the toxicity of this series of NPs. The surface coatings on the NPs appeared to dominate the cytotoxicity: the cationic NPs exhibited cytotoxicity, whereas the carboxylic acid-terminated and hydrophilic PEG- or dextran-terminated NPs did not. Within the cationic Si NPs, smaller Si NPs were more toxic than bigger ones. Manganese-doped (1% Mn) Si NPs did not show any added toxicity, which favors their further development for bioimaging. Iron-doped (1% Fe) Si NPs showed some added toxicity, which may be due to the leaching of Fe(3+) ions from the core. A silica coating seemed to impart toxicity, in line with the reported toxicity of silica. Intracellular mitochondria seem to be the target for the toxic NPs since a dose-, surface charge- and size-dependent imbalance of the mitochondrial membrane potential was observed. Such an imbalance led to a series of other cellular events for cationic NPs, like decreased mitochondrial membrane potential (ΔΨm) and ATP production, induction of ROS generation, increased cytoplasmic Ca(2+) content, production of TNF-α and enhanced caspase-3 activity. Taken together, the results explain the toxicity of Si NPs/Ge NPs largely by their surface characteristics, provide insight into the mode of action underlying the observed cytotoxicity, and give directions on synthesizing biocompatible Si and Ge NPs, as this is crucial for bioimaging and other applications in for example the field of medicine.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».