Nanoparticle‐Enabled, Image‐Guided Treatment Planning of Target Specific RNAi Therapeutics in an Orthotopic Prostate Cancer Model
Notice bibliographique
Résumé
The abilities to deliver siRNA to its intended action site and assess the delivery efficiency are challenges for current RNAi therapy, where effective siRNA delivery will join force with patient genetic profiling to achieve optimal treatment outcome. Imaging could become a critical enabler to maximize RNAi efficacy in the context of tracking siRNA delivery, rational dosimetry and treatment planning. Several imaging modalities have been used to visualize nanoparticle-based siRNA delivery but rarely did they guide treatment planning. We report a multimodal theranostic lipid-nanoparticle, HPPS(NIR)-chol-siRNA, which has a near-infrared (NIR) fluorescent core, enveloped by phospholipid monolayer, intercalated with siRNA payloads, and constrained by apoA-I mimetic peptides to give ultra-small particle size (<30 nm). Using fluorescence imaging, we demonstrated its cytosolic delivery capability for both NIR-core and dye-labeled siRNAs and its structural integrity in mice through intravenous administration, validating the usefulness of NIR-core as imaging surrogate for non-labeled therapeutic siRNAs. Next, we validated the targeting specificity of HPPS(NIR)-chol-siRNA to orthotopic tumor using sequential four-steps (in vivo, in situ, ex vivo and frozen-tissue) fluorescence imaging. The image co-registration of computed tomography and fluorescence molecular tomography enabled non-invasive assessment and treatment planning of siRNA delivery into the orthotopic tumor, achieving efficacious RNAi therapy.
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 ».