Tomographic magnetic particle imaging of cancer targeted nanoparticles
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
Magnetic Particle Imaging (MPI) is an emerging, whole body biomedical imaging technique, with sub-millimeter spatial resolution and high sensitivity to a biocompatible contrast agent consisting of an iron oxide nanoparticle core and a biofunctionalized shell. Successful application of MPI for imaging of cancer depends on the nanoparticles (NPs) accumulating at tumors at sufficient levels relative to other sites. NPs' physiochemical properties such as size, crystallographic structure and uniformity, surface coating, stability, blood circulation time and magnetization determine the efficacy of their tumor accumulation and MPI signal generation. Here, we address these criteria by presenting strategies for the synthesis and surface functionalization of efficient MPI tracers, that can target a typical murine brain cancer model and generate three dimensional images of these tumors with very high signal-to-noise ratios (SNR). Our results showed high contrast agent sensitivities that enabled us to detect 1.1 ng of iron (SNR ∼ 3.9) and enhance the spatial resolution to about 600 μm. The biodistribution of these NPs was also studied using near-infrared fluorescence (NIRF) and single-photon emission computed tomography (SPECT) imaging. NPs were mainly accumulated in the liver and spleen and did not show any renal clearance. This first pre-clinical study of cancer targeted NPs imaged using a tomographic MPI system in an animal model paves the way to explore new nanomedicine strategies for cancer diagnosis and therapy, using clinically safe magnetic iron oxide nanoparticles and MPI.
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) | 0,000 | 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