Metallic oxide nanoparticle translocation across the human bronchial epithelial barrier
Notice bibliographique
Résumé
Inhalation is the most frequent route of unintentional exposure to nanoparticles (NPs). Our aim was to quantify the translocation of different metallic NPs across human bronchial epithelial cells and to determine the factors influencing this translocation. Calu-3 cells forming a tight epithelial barrier when grown on a porous membrane in a two compartment chamber were exposed to fluorescently labelled NPs to quantify the NP translocation. NP translocation and uptake by cells were also studied by confocal and transmission electron microscopy. Translocation was characterized according to NP size (16, 50, or 100 nm), surface charge (negative or positive SiO2), composition (SiO2 or TiO2), presence of proteins or phospholipids and in an inflammatory context. Our results showed that NPs can translocate through the Calu-3 monolayer whatever their composition (SiO2 or TiO2), but this translocation was increased for the smallest and negatively charged NPs. Translocation was not associated with an alteration of the integrity of the epithelial monolayer, suggesting a transcytosis of the internalized NPs. By modifying the NP corona, the ability of NPs to cross the epithelial barrier differed depending on their intrinsic properties, making positively charged NPs more prone to translocate. NP translocation can be amplified by using agents known to open tight junctions and to allow paracellular passage. NP translocation was also modulated when mimicking an inflammatory context frequently found in the lungs, altering the epithelial integrity and inducing transient tight junction opening. This in vitro evaluation of NP translocation could be extended to other inhaled NPs to predict their biodistribution.
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 ».