QUANTIFYING NANOPARTICLE TRANSPORT<i>IN VIVO</i>USING HYPERSPECTRAL IMAGING WITH A DORSAL SKINFOLD WINDOW CHAMBER
Notice bibliographique
Résumé
We have developed a noninvasive imaging method to quantify in vivo drug delivery pharmacokinetics without the need for blood or tissue collection to determine drug concentration. By combining the techniques of hyperspectral imaging and a dorsal skinfold window chamber, this method enabled the real-time monitoring of vascular transport and tissue deposition of nanoparticles labeled with near-infrared (NIR) dye. Using this imaging method, we quantified the delivery pharmacokinetics of the native high-density lipoprotein (HDL) and epidermal growth factor receptor (EGFR)-targeted HDL nanoparticles and demonstrated these HDLs had long circulation time in blood stream (half-life >12 h). These HDL nanoparticles could efficiently carry cargo DiR-BOA to extravasate from blood vessels, diffuse through extracellular matrix, and penetrate and be retained in the tumor site. The EGFR targeting specificity of EGFR-targeted HDL (EGFR-specific peptide conjugated HDL) was also visualized in vivo by competitive inhibition with excess EGFR-specific peptide. In summary, this imaging technology may help point the way toward the development of novel imaging-based pharmacokinetic assays for preclinical drugs and evaluation of drug delivery efficiency, providing a dynamic window into the development and application of novel drug delivery systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».