Investigating the Impact of Nanoparticle Size on Active and Passive Tumor Targeting Efficiency
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
Understanding the principles governing the design of nanoparticles for tumor targeting is essential for the effective diagnosis and treatment of solid tumors. There is currently a poor understanding of how to rationally engineer nanoparticles for tumor targeting. Here, we engineered different-sized spherical gold nanoparticles to discern the effect of particle diameter on passive (poly(ethylene glycol)-coated) and active (transferrin-coated) targeting of MDA-MB-435 orthotopic tumor xenografts. Tumor accumulation of actively targeted nanoparticles was found to be 5 times faster and approximately 2-fold higher relative to their passive counterparts within the 60 nm diameter range. For 15, 30, and 100 nm, we observed no significant differences. We hypothesize that such enhancements are the result of an increased capacity to penetrate into tumors and preferentially associate with cancer cells. We also use computational modeling to explore the mechanistic parameters that can impact tumor accumulation efficacy. We demonstrate that tumor accumulation can be mediated by high nanoparticle avidity and are weakly dependent on their plasma clearance rate. Such findings suggest that empirical models can be used to rapidly screen novel nanomaterials for relative differences in tumor targeting without the need for animal work. Although our findings are specific to MDA-MB-435 tumor xenografts, our experimental and computational findings help to enrich knowledge of design considerations that will aid in the optimal engineering of spherical gold nanoparticles for cancer applications in the future.
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 | 0,001 | 0,003 |
| 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