Microfluidic Manufacturing of SN-38-Loaded Polymer Nanoparticles with Shear Processing Control of Drug Delivery Properties
Notice bibliographique
Résumé
Two-phase gas–liquid microfluidic reactors provide shear processing control of SN-38-loaded polymer nanoparticles (SN-38-PNPs). We prepare SN-38-PNPs from the block copolymer poly(methyl caprolactone-co-caprolactone)-block-poly(ethylene oxides) (P(MCL-co-CL)-b-PEO) using bulk and microfluidic methods and at different drug-to-polymer loading ratios and on-chip flow rates. We show that, as the microfluidic flow rate (Q) increases, encapsulation efficiency and drug loading increase and release half times increase. Slower SN-38 release is obtained at the highest Q value (Q = 400 μL/min) than is achieved using a conventional bulk preparation method. For all SN-38-PNP formulations, we find a dominant population (by number) of nanosized particles (<50 nm) along with a small number of larger aggregates (>100 nm). As Q increases, the size of aggregates decreases through a minimum and then increases, attributed to a flow-variable competition of shear-induced particle breakup and shear-induced particle coalescence. IC25 and IC50 values of the various SN-38-PNPs against MCF-7 cells show strong flow rate dependencies that mirror trends in particle size. SN-38-PNPs manufactured on-chip at intermediate flow rates show both minimum particle sizes and maximum potencies with a significantly lower IC25 value than the bulk-prepared sample. Compared to conventional bulk methods, microfluidic shear processing in two-phase reactors provides controlled manufacturing routes for optimizing and improving the properties of SN-38 nanomedicines.
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 | 0,000 | 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 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 ».