Using a Microfluidics System to Reproducibly Synthesize Protein Nanoparticles: Factors Contributing to Size, Homogeneity, and Stability
Notice bibliographique
Résumé
The synthesis of Zein nanoparticles (NPs) using conventional methods, such as emulsion solvent diffusion and emulsion solvent evaporation, is often unreliable in replicating particle size and polydispersity between batch-to-batch syntheses. We have systematically examined the parameters for reproducibly synthesizing Zein NPs using a Y-junction microfluidics chip with staggered herringbone micromixers. Our results indicate that the total flow rate of the fluidics system, relative flow rate of the aqueous and organic phase, concentration of the base material and solvent, and properties of the solvent influence the polydispersity and size of the NPs. Trends such as increasing the total flow rate and relative flow rate lead to a decrease in Zein NP size, while increasing the ethanol and Zein concentration lead to an increase in Zein NP size. The solvent property that was found to impact the size of the Zein NPs formed the most was their hydropathy. Solvents that had a hydropathy index most similar to that of Zein formed the smallest Zein NPs. Synthesis consistency was confirmed within and between sample batches. Stabilizing agents, such as sodium caseinate, Tween 80, and Pluronic F-68, were incorporated using the microfluidics system, necessary for in vitro and in vivo use, into Zein-based NPs.
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 | 0,001 |
| 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 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 ».