Surface Modification of Gadolinium Oxide Thin Films and Nanoparticles using Poly(ethylene glycol)-Phosphate
Notice bibliographique
Résumé
The performance of nanomaterials for biomedical applications is highly dependent on the nature and the quality of surface coatings. In particular, the development of functionalized nanoparticles for magnetic resonance imaging (MRI) requires the grafting of hydrophilic, nonimmunogenic, and biocompatible polymers such as poly(ethylene glycol) (PEG). Attached at the surface of nanoparticles, this polymer enhances the steric repulsion and therefore the stability of the colloids. In this study, phosphate molecules were used as an alternative to silanes or carboxylic acids, to graft PEG at the surface of ultrasmall gadolinium oxide nanoparticles (US-Gd(2)O(3), 2-3 nm diameter). This emerging, high-sensitivity "positive" contrast agent is used for signal enhancement in T(1)-weighted molecular and cellular MRI. Comparative grafting assays were performed on Gd(2)O(3) thin films, which demonstrated the strong reaction of phosphate with Gd(2)O(3) compared to silane and carboxyl groups. Therefore, PEG-phosphate was preferentially used to coat US-Gd(2)O(3) nanoparticles. The grafting of this polymer on the particles was confirmed by XPS and FTIR. These analyses also demonstrated the strong attachment of PEG-phosphate at the surface of Gd(2)O(3), forming a protective layer on the nanoparticles. The stability in aqueous solution, the relaxometric properties, and the MRI signal of PEG-phosphate-covered Gd(2)O(3) particles were also better than those from non-PEGylated nanoparticles. As a result, reacting PEG-phosphate with Gd(2)O(3) particles is a promising, rapid, one-step procedure to PEGylate US-Gd(2)O(3) nanoparticles, an emerging "positive" contrast agent for preclinical molecular and cellular applications.
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 | 0,000 | 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 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 ».