The Multifaceted Uses and Therapeutic Advantages of Nanoparticles for Atherosclerosis Research
Notice bibliographique
Résumé
Nanoparticles are uniquely suited for the study and development of potential therapies against atherosclerosis by virtue of their size, fine-tunable properties, and ability to incorporate therapies and/or imaging modalities. Furthermore, nanoparticles can be specifically targeted to the atherosclerotic plaque, evading off-target effects and/or associated cytotoxicity. There has been a wealth of knowledge available concerning the use of nanotechnologies in cardiovascular disease and atherosclerosis, in particular in animal models, but with a major focus on imaging agents. In fact, roughly 60% of articles from an initial search for this review included examples of imaging applications of nanoparticles. Thus, this review focuses on experimental therapy interventions applied to and observed in animal models. Particular emphasis is placed on how nanoparticle materials and properties allow researchers to learn a great deal about atherosclerosis. The objective of this review was to provide an update for nanoparticle use in imaging and drug delivery studies and to illustrate how nanoparticles can be used for sensing and modelling, for studying fundamental biological mechanisms, and for the delivery of biotherapeutics such as proteins, peptides, nucleic acids, and even cells all with the goal of attenuating atherosclerosis. Furthermore, the various atherosclerosis processes targeted mainly for imaging studies have been summarized in the hopes of inspiring new and exciting targeted therapeutic and/or imaging strategies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».