Characterizing Nanoparticles in Biological Matrices: Tipping Points in Agglomeration State and Cellular Delivery <i>In Vitro</i>
Notice bibliographique
Résumé
Understanding the delivered cellular dose of nanoparticles is imperative in nanomedicine and nanosafety, yet is known to be extremely complex because of multiple interactions between nanoparticles, their environment, and the cells. Here, we use 3-D reconstruction of agglomerates preserved by cryogenic snapshot sampling and imaged by electron microscopy to quantify the "bioavailable dose" that is presented at the cell surface and formed by the process of individual nanoparticle sequestration into agglomerates in the exposure media. Critically, using 20 and 40 nm carboxylated polystyrene-latex and 16 and 85 nm silicon dioxide nanoparticles, we show that abrupt, dose-dependent "tipping points" in agglomeration state can arise, subsequently affecting cellular delivery and increasing toxicity. These changes are triggered by shifts in the ratio of the total nanoparticle surface area to biomolecule abundance, with the switch to a highly agglomerated state effectively changing the test article midassay, challenging the dose-response paradigm for nanosafety experiments. By characterizing nanoparticle numbers per agglomerate, we show these tipping points can lead to the formation of extreme agglomeration states whereby 90% of an administered dose is contained and delivered to the cells by just the top 2% of the largest agglomerates. We thus demonstrate precise definition, description, and comparison of the nanoparticle dose formed in different experimental environments and show that this description is critical to understanding cellular delivery and toxicity. We further empirically "stress-test" the commonly used dynamic light scattering approach, establishing its limitations to present an analysis strategy that significantly improves the usefulness of this popular nanoparticle characterization technique.
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 | 0,001 | 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 | 0,001 |
| 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 ».