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. IC 25 and IC 50 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 IC 25 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 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) | 0,001 | 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 ».