Phenotype Determines Nanoparticle Uptake by Human Macrophages from Liver and Blood
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
A significant challenge to delivering therapeutic doses of nanoparticles to targeted disease sites is the fact that most nanoparticles become trapped in the liver. Liver-resident macrophages, or Kupffer cells, are key cells in the hepatic sequestration of nanoparticles. However, the precise role that the macrophage phenotype plays in nanoparticle uptake is unknown. Here, we show that the human macrophage phenotype modulates hard nanoparticle uptake. Using gold nanoparticles, we examined uptake by human monocyte-derived macrophages that had been driven to a "regulatory" M2 phenotype or an "inflammatory" M1 phenotype and found that M2-type macrophages preferentially take up nanoparticles, with a clear hierarchy among the subtypes (M2c > M2 > M2a > M2b > M1). We also found that stimuli such as LPS/IFN-γ rather than with more "regulatory" stimuli such as TGF-β/IL-10 reduce per cell macrophage nanoparticle uptake by an average of 40%. Primary human Kupffer cells were found to display heterogeneous expression of M1 and M2 markers, and Kupffer cells expressing higher levels of M2 markers (CD163) take up significantly more nanoparticles than Kupffer cells expressing lower levels of surface CD163. Our results demonstrate that hepatic inflammatory microenvironments should be considered when studying liver sequestration of nanoparticles, and that modifying the hepatic microenvironment might offer a tool for enhancing or decreasing this sequestration. Our findings also suggest that models examining the nanoparticle/macrophage interaction should include studies with primary tissue macrophages.
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) | 0,002 | 0,001 |
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