Influence of Cationic Lipid Composition on Gene Silencing Properties of Lipid Nanoparticle Formulations of siRNA in Antigen-Presenting Cells
Notice bibliographique
Résumé
Lipid nanoparticles (LNPs) are currently the most effective in vivo delivery systems for silencing target genes in hepatocytes employing small interfering RNA. Antigen-presenting cells (APCs) are also potential targets for LNP siRNA. We examined the uptake, intracellular trafficking, and gene silencing potency in primary bone marrow macrophages (bmMΦ) and dendritic cells of siRNA formulated in LNPs containing four different ionizable cationic lipids namely DLinDAP, DLinDMA, DLinK-DMA, and DLinKC2-DMA. LNPs containing DLinKC2-DMA were the most potent formulations as determined by their ability to inhibit the production of GAPDH target protein. Also, LNPs containing DLinKC2-DMA were the most potent intracellular delivery agents as indicated by confocal studies of endosomal versus cytoplamic siRNA location using fluorescently labeled siRNA. DLinK-DMA and DLinKC2-DMA formulations exhibited improved gene silencing potencies relative to DLinDMA but were less toxic. In vivo results showed that LNP siRNA systems containing DLinKC2-DMA are effective agents for silencing GAPDH in APCs in the spleen and peritoneal cavity following systemic administration. Gene silencing in APCs was RNAi mediated and the use of larger LNPs resulted in substantially reduced hepatocyte silencing, while similar efficacy was maintained in APCs. These results are discussed with regard to the potential of LNP siRNA formulations to treat immunologically mediated diseases.
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 | 0,001 |
| 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) | 0,001 | 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 ».