Nanoparticle–blood interactions: the implications on solid tumour targeting
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
Nanoparticles are suitable platforms for cancer targeting and diagnostic applications. Typically, less than 10% of all systemically administered nanoparticles accumulate in the tumour. Here we explore the interactions of blood components with nanoparticles and describe how these interactions influence solid tumour targeting. In the blood, serum proteins adsorb onto nanoparticles to form a protein corona in a manner dependent on nanoparticle physicochemical properties. These serum proteins can block nanoparticle tumour targeting ligands from binding to tumour cell receptors. Additionally, serum proteins can also encourage nanoparticle uptake by macrophages, which decreases nanoparticle availability in the blood and limits tumour accumulation. The formation of this protein corona will also increase the nanoparticle hydrodynamic size or induce aggregation, which makes nanoparticles too large to enter into the tumour through pores of the leaky vessels, and prevents their deep penetration into tumours for cell targeting. Recent studies have focused on developing new chemical strategies to reduce or eliminate serum protein adsorption, and rescue the targeting potential of nanoparticles to tumour cells. An in-depth and complete understanding of nanoparticle-blood interactions is key to designing nanoparticles with optimal physicochemical properties with high tumour accumulation. The purpose of this review article is to describe how the protein corona alters the targeting of nanoparticles to solid tumours and explains current solutions to solve this problem.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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