Promise and peril in nanomedicine: the challenges and needs for integrated systems biology approaches to define health risk
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
In the 1966s visionary film 'Fantastic Voyage' a submarine crew was shrunk to 100 nm in size and injected into the body of an injured scientist to repair his damaged brain. The movie (written by Harry Kleiner; directed by Richard Fleischer; novel by Isaac Asimov) drew attention to the potential power of engineered nanoscale structures and devices to construct, monitor, control, treat, and repair individual cells. Even more interesting was the fact that the film elegantly noted that the structure had to be miniaturized to a size that is not detected by the body's immune surveillance system, and highlighted the many physiological barriers that are encountered on the submarine's long journey to the target. Although the concept of miniaturizing humans remains an element of science fiction, targeted drug delivery through nanobots to treat diseases such as cancer is now a reality. The ability of nanobots to evade immune surveillance is one of the most attractive features of nanoscale materials that are exploited in the field of medicine for molecular diagnostics, targeted drug delivery, and therapy of diseases. This article will provide a concise opinion on the state-of-the-art, the challenges, and the use of systems biology-another equally revolutionary field of science-to assess the unique health hazards of nanomaterial exposures. WIREs Nanomed Nanobiotechnol 2018, 10:e1465. doi: 10.1002/wnan.1465 This article is categorized under: Therapeutic Approaches and Drug Discovery > Emerging Technologies Toxicology and Regulatory Issues in Nanomedicine > Toxicology of Nanomaterials.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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