Elucidating the Influences of Size, Surface Chemistry, and Dynamic Flow on Cellular Association of Nanoparticles Made by Polymerization‐Induced Self‐Assembly
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
The size and surface chemistry of nanoparticles dictate their interactions with biological systems. However, it remains unclear how these key physicochemical properties affect the cellular association of nanoparticles under dynamic flow conditions encountered in human vascular networks. Here, the facile synthesis of novel fluorescent nanoparticles with tunable sizes and surface chemistries and their association with primary human umbilical vein endothelial cells (HUVECs) is reported. First, a one-pot polymerization-induced self-assembly (PISA) methodology is developed to covalently incorporate a commercially available fluorescent dye into the nanoparticle core and tune nanoparticle size and surface chemistry. To characterize cellular association under flow, HUVECs are cultured onto the surface of a synthetic microvascular network embedded in a microfluidic device (SynVivo, INC). Interestingly, increasing the size of carboxylic acid-functionalized nanoparticles leads to higher cellular association under static conditions but lower cellular association under flow conditions, whereas increasing the size of tertiary amine-decorated nanoparticles results in a higher level of cellular association, under both static and flow conditions. These findings provide new insights into the interactions between polymeric nanomaterials and endothelial cells. Altogether, this work establishes innovative methods for the facile synthesis and biological characterization of polymeric nanomaterials for various potential applications.
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