Solubility of Hydrophobic Compounds in Aqueous Solution Using Combinations of Self-assembling Peptide and Amino Acid
Notice bibliographique
Résumé
Self-assembling peptides (SAPs) are promising vehicles for the delivery of hydrophobic therapeutics for clinical applications; their amphipathic properties allow them to dissolve hydrophobic compounds in the aqueous environment of the human body. However, self-assembling peptide solutions have poor blood compatibility (e.g., low osmolarity), hindering their clinical application through intravenous administrations. We have recently developed a generalized platform for hydrophobic drug delivery, which combines SAPs with amino acid solutions (SAP-AA) to enhance drug solubility and increase formulation osmolarity to reach the requirements for clinical uses. This formulation strategy was thoroughly tested in the context of three structurally different hydrophobic compounds - PP2, rottlerin, and curcumin - in order to demonstrate its versatility. Furthermore, we examined effects of changing formulation components by analyzing 6 different SAPs, 20 naturally existing amino acids at low and high concentrations, and two different co-solvents dimethyl sulfoxide (DMSO) and ethanol. Our strategy proved to be effective in optimizing components for a given hydrophobic drug, and therapeutic function of the formulated inhibitor, PP2, was observed both in vitro and in vivo. This manuscript outlines our generalized formulation method using SAP-AA combinations for hydrophobic compounds, and analysis of solubility as a first step towards potential use of these formulations in more functional studies. We include representative solubility results for formulation of the hydrophobic compound, curcumin, and discuss how our methodology serves as a platform for future biological studies and disease models.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».