Smart Magnetically Responsive Hydrogel Nanoparticles Prepared by a Novel Aerosol-Assisted Method for Biomedical and Drug Delivery Applications
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
We have developed a novel spray gelation-based method to synthesize a new series of magnetically responsive hydrogel nanoparticles for biomedical and drug delivery applications. The method is based on the production of hydrogel nanoparticles from sprayed polymeric microdroplets obtained by an air-jet nebulization process that is immediately followed by gelation in a crosslinking fluid. Oligoguluronate (G-blocks) was prepared through the partial acid hydrolysis of sodium alginate. PEG-grafted chitosan was also synthesized and characterized (FTIR, EA, and DSC). Then, magnetically responsive hydrogel nanoparticles based on alginate and alginate/G-blocks were synthesized via aerosolization followed by either ionotropic gelation or both ionotropic and polyelectrolyte complexation using CaCl(2) or PEG-g-chitosan/CaCl(2) as crosslinking agents, respectively. Particle size and dynamic swelling were determined using dynamic light scattering (DLS) and microscopy. Surface morphology of the nanoparticles was examined using SEM. The distribution of magnetic cores within the hydrogels nanoparticles was also examined using TEM. In addition, the iron and calcium contents of the particles were estimated using EDS. Spherical magnetic hydrogel nanoparticles with average particle size of 811 ± 162 to 941 ± 2 nm were obtained. This study showed that the developed method is promising for the manufacture of hydrogel nanoparticles, and it represents a relatively simple and potential low-cost system.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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