MétaCan
Menu
Retour à la cohorte
Enregistrement W2945659966 · doi:10.1021/acsnano.8b09679

Delivery of MicroRNAs by Chitosan Nanoparticles to Functionally Alter Macrophage Cholesterol Efflux <i>in Vitro</i> and <i>in Vivo</i>

2019· article· en· W2945659966 sur OpenAlexafffund
My-Anh Nguyen, Hailey Wyatt, Leah C. Susser, Michèle Geoffrion, Adil Rasheed, Anne‐Claire Duchez, Mary Lynn Cottee, Esther Afolayan, Eliya Farah, Zaina Kahiel, Marceline Côté, Suresh Gadde, Katey J. Rayner

Notice bibliographique

RevueACS Nano · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNational Heart, Lung, and Blood InstituteNational Institutes of HealthCanada Research ChairsHeart and Stroke Foundation of Canada
Mots-clésIn vivomicroRNAABCA1CholesterolEffluxChitosanIn vitroCell biologyMacrophageGene deliveryIntracellularChemistryTransfectionBiologyBiochemistryGeneTransporterGenetics

Résumé

récupéré en direct d'OpenAlex

The prevention and treatment of cardiovascular diseases (CVD) has largely focused on lowering circulating LDL cholesterol, yet a significant burden of atherosclerotic disease remains even when LDL is low. Recently, microRNAs (miRNAs) have emerged as exciting therapeutic targets for cardiovascular disease. miRNAs are small noncoding RNAs that post-transcriptionally regulate gene expression by degradation or translational inhibition of target mRNAs. A number of miRNAs have been found to modulate all stages of atherosclerosis, particularly those that promote the efflux of excess cholesterol from lipid-laden macrophages in the vessel wall to the liver. However, one of the major challenges of miRNA-based therapy is to achieve tissue-specific, efficient, and safe delivery of miRNAs in vivo. We sought to develop chitosan nanoparticles (chNPs) that can deliver functional miRNA mimics to macrophages and to determine if these nanoparticles can alter cholesterol efflux and reverse cholesterol transport in vivo. We developed chNPs with a size range of 150-200 nm via the ionic gelation method using tripolyphosphate (TPP) as a cross-linker. In this method, negatively charged miRNAs were encapsulated in the nanoparticles by ionic interactions with polymeric components. We then optimized the efficiency of intracellular delivery of different formulations of chitosan/TPP/miRNA to mouse macrophages. Using a well-defined miRNA with roles in macrophage cholesterol metabolism, we tested whether chNPs could deliver functional miRNAs to macrophages. We find chNPs can transfer exogenous miR-33 to naïve macrophages and reduce the expression of ABCA1, a potent miR-33 target gene, both in vitro and in vivo, confirming that miRNAs delivered via nanoparticles can escape the endosomal system and function in the RISC complex. Because miR-33 and ABCA1 play a key role in regulating the efflux of cholesterol from macrophages, we also confirmed that macrophages treated with miR-33-loaded chNPs exhibited reduced cholesterol efflux to apolipoprotein A1, further confirming functional delivery of the miRNA. In vivo, mice treated with miR33-chNPs showed decreased reverse cholesterol transport (RCT) to the plasma, liver, and feces. In contrast, when efflux-promoting miRNAs were delivered via chNPs, ABCA1 expression and cholesterol efflux into the RCT pathway were improved. Over all, miRNAs can be efficiently delivered to macrophages via nanoparticles, where they can function to regulate ABCA1 expression and cholesterol efflux, suggesting that these miRNA nanoparticles can be used in vivo to target atherosclerotic lesions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,566

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,199
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations152
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetMicroRNA in disease regulationTravaux en français237 207