Transmembrane pH-Gradient Liposomes To Treat Cardiovascular Drug Intoxication
Notice bibliographique
Résumé
Injectable scavenging nanocarriers have been proposed as detoxifying agents when there are no specific antidotes to treat pharmacological overdoses. They act by capturing the drug in situ, thereby restricting distribution in tissues. In the clinic, the only systems used for that purpose are parenteral lipid emulsions, which are relatively inefficient in terms of uptake capacity. In this study, we investigated long-circulating liposomes with a transmembrane pH gradient as treatment for diltiazem intoxication. The unique ion-trapping properties of the vesicles toward ionizable compounds were exploited to sequester the drug in the bloodstream and limit its pharmacological effect. After in vitro optimization of the formulation, the in vivo scavenging properties of the liposomes were demonstrated by examining the drug's pharmacokinetics. The reduced volume of distribution and increased area under the plasma concentration versus time curve in animals treated with liposomes indicated limited tissue distribution. The vesicles exerted a similar but more pronounced effect on deacetyl-diltiazem, the principal active metabolite of the drug. This in vivo uptake of both drug and metabolite altered the overall pharmacological outcome. In rats receiving an intravenous bolus of diltiazem, the liposomes tempered the hypotensive decline and maintained higher average blood pressure for 1 h. The detoxifying action of liposomes was even stronger when the rats received higher doses of the drug via perfusion. In conclusion, the present work provided clear evidence that liposomes with a transmembrane pH gradient are able to change the pharmacokinetics and pharmacodynamics of diltiazem and its metabolite and confirmed their potential as efficient detoxifying nanocarriers.
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 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) | 0,000 | 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 | 0,002 |
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 tête enseignante, 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 ».