MétaCan
Menu
Retour à la cohorte
Enregistrement W2178788061 · doi:10.2147/ijn.s95245

Development of polymeric–cationic peptide composite nanoparticles, a nanoparticle-in-nanoparticle system for controlled gene delivery

2015· article· en· W2178788061 sur OpenAlexfundno aff
Arvind Jain, Ashley S. Massey, Helmy Yusuf, Victoria Kett, Denise McDonald, Helen O. McCarthy

Notice bibliographique

RevueInternational Journal of Nanomedicine · 2015
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA Interference and Gene Delivery
Établissements canadiensnon disponible
Organismes subventionnairesAgri-Food and Biosciences InstituteQueen's University
Mots-clésNanoparticleMaterials scienceBiocompatibilityPolyethylene glycolPEG ratioPolylactic acidGene deliveryCationic polymerizationEthylene glycolNanotechnologyChemical engineeringComposite numberTransfectionPolymerChemistryPolymer chemistryBiochemistryComposite material

Résumé

récupéré en direct d'OpenAlex

We report the formulation of novel composite nanoparticles that combine the high transfection efficiency of cationic peptide-DNA nanoparticles with the biocompatibility and prolonged delivery of polylactic acid-polyethylene glycol (PLA-PEG). The cationic cell-penetrating peptide RALA was used to condense DNA into nanoparticles that were encapsulated within a range of PLA-PEG copolymers. The composite nanoparticles produced exhibited excellent physicochemical properties including size <200 nm and encapsulation efficiency >80%. Images of the composite nanoparticles obtained with a new transmission electron microscopy staining method revealed the peptide-DNA nanoparticles within the PLA-PEG matrix. Varying the copolymers modulated the DNA release rate >6 weeks in vitro. The best formulation was selected and was able to transfect cells while maintaining viability. The effect of transferrin-appended composite nanoparticles was also studied. Thus, we have demonstrated the manufacture of composite nanoparticles for the controlled delivery of DNA.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,463

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,289
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of NanomedicineMême sujetRNA Interference and Gene DeliveryTravaux en français237 207