Lipid Nanoparticle Delivery of siRNA to Silence Neuronal Gene Expression in the Brain
Notice bibliographique
Résumé
Manipulation of gene expression in the brain is fundamental for understanding the function of proteins involved in neuronal processes. In this article, we show a method for using small interfering RNA (siRNA) in lipid nanoparticles (LNPs) to efficiently silence neuronal gene expression in cell culture and in the brain in vivo through intracranial injection. We show that neurons accumulate these LNPs in an apolipoprotein E-dependent fashion, resulting in very efficient uptake in cell culture (100%) with little apparent toxicity. In vivo, intracortical or intracerebroventricular (ICV) siRNA-LNP injections resulted in knockdown of target genes either in discrete regions around the injection site or in more widespread areas following ICV injections with no apparent toxicity or immune reactions from the LNPs. Effective targeted knockdown was demonstrated by showing that intracortical delivery of siRNA against GRIN1 (encoding GluN1 subunit of the NMDA receptor (NMDAR)) selectively reduced synaptic NMDAR currents in vivo as compared with synaptic AMPA receptor currents. Therefore, LNP delivery of siRNA rapidly manipulates expression of proteins involved in neuronal processes in vivo, possibly enabling the development of gene therapies for neurological disorders.Molecular Therapy-Nucleic Acids (2013) 2, e136; doi:10.1038/mtna.2013.65; published online 3 December 2013.
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 | 0,000 |
| 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 ».