Extracting multivalent detachment rates from heterogeneous nanoparticle populations
Notice bibliographique
Résumé
Nanoparticles can form multiple bonds with target surfaces, thereby increasing adhesion strength and internalization rate into cells. This property has helped to drive interest in nanoparticles as delivery vehicles for drugs and imaging agents, but significant gaps in our understanding of multivalent adhesion make it difficult to control and optimize binding dynamics. In previous work, we experimentally observed that multivalent nanoparticle adhesion can exhibit a time-dependent detachment rate. However, simulations later indicated that the underlying cause was variability in the number of bonds that formed between individual nanoparticles within the population. Here, we use this insight to develop a simple model to isolate a series of constant detachment rates from such heterogeneous populations. Using simulations of experimental data to train the model, we first classified nanoparticles within a given population based on the most likely equilibrium bond number, which we termed the bond potential. We then assumed that each bond potential category would follow standard first-order kinetics with constant detachment rates. Model results matched the population binding data, but only if we further divided each bond potential category into two sub-components, the second of which did not detach. We then utilized bonding rates from the simulation to estimate detachment rates for the second, slower detaching sub-component. These results confirm our hypothesis that nanoparticle populations can be sub-divided based on bond potential, each of which could be characterized by a constant detachment rate. Finally, we established relationships between the new heterogeneous population detachment model and a time-dependent, empirical detachment model that we developed in previous work. This could make it possible to determine bond potential distributions directly from experimental data without computationally costly simulations, which will be explored in future work.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».