Microfluidic Processing Approach to Controlling Drug Delivery Properties of Curcumin-Loaded Block Copolymer Nanoparticles
Notice bibliographique
Résumé
We apply gas–liquid microfluidic reactors containing flow-variable, high-shear “hot spots” to produce curcumin-loaded polymer nanoparticles (CUR-PNPs) comprised of poly(caprolactone)- block -poly(ethylene oxide) (PCL- b -PEO) block copolymers at various flow rates and CUR loading ratios. CUR-PNPs prepared using the conventional nanoprecipitation method (bulk method) showed decreased encapsulation efficiency and increased drug precipitation as the loading ratio increased. However, CUR-PNPs prepared by microfluidic manufacturing showed both increased encapsulation efficiency and increased drug loading as either the flow rate or the loading ratio increased. This enabled microfluidic CUR loading percentages of up to 30% to be achieved in this study, which to our knowledge is a record for block copolymer PNPs. As well, it is shown that increased flow rate of microfluidic manufacturing leads to decreased mean CUR-PNP sizes (down to ∼50 nm) and narrower size distributions, along with significantly different CUR release kinetics compared to CUR-PNPs prepared at slower flow rates. In vitro antiproliferation experiments against MDA-MB-231 cells give an average IC 50 value of 24 μM for CUR-PNPs compared to 13 μM for free CUR at the same incubation time of 72 h. Compared to conventional bulk and single-phase microfluidic strategies, this unique two-phase reactor represents an exciting manufacturing platform for optimizing polymeric CUR nanomedicines though flow-directed shear processing.
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 | 0,000 | 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) | 0,001 | 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 ».