Dosimetric effects of polyethylene glycol surface coatings on gold nanoparticle radiosensitization
Notice bibliographique
Résumé
One of the main appeals of using gold nanoparticles (GNPs) as radiosensitizers is that their surface coatings can be altered to manipulate their pharmacokinetic properties. However, Monte Carlo studies of GNP dosimetry tend to neglect these coatings, potentially changing the dosimetric results. This study quantifies the dosimetric effects of including a polyethylene glycol (PEG) surface coating on GNPs over both nanoscopic and microscopic ranges. Two dosimetric scales were explored using PENELOPE Monte Carlo simulations. In microscopic simulations, 500-1000 GNPs, with and without coatings, were placed in cavities of side lengths 0.8-4 µm, and the reduction of dose deposited to surrounding medium within these volumes due to the coating was quantified. Including PEG surface coatings of up to 20 nm thickness resulted in reductions of up to 7.5%, 4.0%, and 2.0% for GNP diameters of 10, 20, and 50 nm, respectively. Nanoscopic simulations observed the dose falloff in the first 500 nm surrounding a single GNP both with and without surface coatings of various thicknesses. Over the first 500 nm surrounding a single GNP, the presence of a PEG surface coating reduced dose by 5-26%, 8-28%, 8-30%, and 8-34% for 2, 10, 20, and 50 nm diameter GNPs, respectively, for various energies and coating thicknesses. Reductions in dose enhancement due to the inclusion of a GNP surface coating are non-negligible and should be taken into consideration when investigating GNP dose enhancement. Further studies should be carried out to investigate the biological effects of these coatings.
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 | 0,000 | 0,001 |
| 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 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 ».