MétaCan
Menu
Retour à la cohorte
Enregistrement W2594469236 · doi:10.1088/1361-6528/aa645f

A strategy for photothermal conversion of polymeric nanoparticles by polyaniline for smart control of targeted drug delivery

2017· article· en· W2594469236 sur OpenAlexaff
Chaoqun You, Hongshuai Wu, Mingxin Wang, Senlin Wang, Tianyi Shi, Yanghui Luo, Bai‐Wang Sun, Xiangyang Zhang, Jin Zhu

Notice bibliographique

RevueNanotechnology · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensMinistry of Education and Child Care
Organismes subventionnairesnon disponible
Mots-clésPolyanilinePhotothermal therapyMaterials scienceNanocarriersNanotechnologyDrug deliveryNanoparticleCytotoxicityControlled releasePhotothermal effectIn vitroPolymerChemistryPolymerization

Résumé

récupéré en direct d'OpenAlex

The near-infrared (NIR)-mediated novel strategy to control the drug release from nanocarriers has developed rapidly in recent decades. Polyaniline as a non-cytotoxic and electroactive material for studying cellular proliferation has attracted great attention in recent years. In the present work, polyaniline-mediated polymeric nanoparticles were developed to target the delivery of cisplatin and release it in a controllable way. The prepared polyaniline nanoparticles displayed a size of 90 ± 1.0 nm, a favorable morphology in water, and could be targeted to tumors through the high affinity between trastuzumab and the overexpressed Her2 in tumor cells. In addition, the developed nanoparticles demonstrated exciting photothermal conversion efficiency induced by NIR light and achieved significant cell inhibition efficiency (93.97%) in vitro when exposed to an 808 nm NIR laser with the power of 1.54 W for 5 min. Therefore, the developed external control release delivery system with excellent specificity and high cytotoxicity exhibited great potential in cell research and our research demonstrated that the polyaniline also has potential in the application of photothermal conversion in biomedicine.

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)0,000
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 enseignants0,021
Score d'incertitude au seuil0,700

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,008
Tête enseignante GPT0,220
Écart entre enseignants0,211 · 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

Citations37
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanotechnologyMême sujetNanoplatforms for cancer theranosticsTravaux en français237 207