Implications on clinical scenario of gold nanoparticle radiosensitization in regards to photon energy, nanoparticle size, concentration and location
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
Gold nanoparticle (AuNP) radiosensitization represents a novel approach to enhance the effectiveness of ionizing radiation. Its efficiency varies widely with photon source energy and AuNP size, concentration, and intracellular localization. In this Monte Carlo study we explored the effects of those parameters to define the optimal clinical use of AuNPs. Photon sources included (103)Pd and (125)I brachytherapy seeds; (169)Yb, (192)Ir high dose rate sources, and external beam sources 300 kVp and 6 MV. AuNP sizes were 1.9, 5, 30, and 100 nm. We observed a 10(3) increase in the rate of photoelectric absorption using (125)I compared to 6 MV. For a (125)I source, to double the dose requires concentrations of 5.33-6.26 mg g(-1) of Au or 7.10 × 10(4) 30 nm AuNPs per tumor cell. For 6 MV, concentrations of 1560-1760 mg g(-1) or 2.17 × 10(7) 30 nm AuNPs per cell are needed, which is not clinically achievable. Examining the proportion of energy transferred to escaping particles or internally absorbed in the nanoparticle suggests two clinical strategies: the first uses photon energies below the k-edge and takes advantage of the extremely localized Auger cascade. It requires small AuNPs conjugated to tumor targeted moieties and nuclear localizing sequences. The second, using photon sources above the k-edge, requires a higher gold concentration in the tumor region. In this approach, energy deposited by photoelectrons is the main contribution to radiosensitization; AuNP size and cellular localization are less relevant.
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 | 0,000 | 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 découle