Computationally guided high-throughput design of self-assembling drug nanoparticles
Notice bibliographique
Résumé
Abstract Nanoformulations are transforming our capacity to effectively deliver and treat a myriad of conditions. However, many nanoformulation approaches still suffer from high production complexity and low drug loading. One potential solution relies on harnessing co-assembly of drugs and small molecular excipients to facilitate nanoparticle formation through solvent exchange without the need for chemical synthesis, generating nanoparticles with up to 95% drug loading. However, there is currently no understanding which of the millions of possible combinations of small molecules can result in the formation of these nanoparticles. Here we report the development of a high-throughput screening platform coupled to machine learning to enable the rapid evaluation of such nanoformulations. Our platform identified 101 novel self-assembling drug nanoparticles from 2.1 million pairings derived from 788 candidate drugs with one of 2686 excipients, spanning treatments for multiple diseases and often harnessing well-known food additives, vitamins, or approved drugs as carrier materials – with potential for accelerated approval and translation. Given their long-term stability and potential for clinical impact, we further characterize novel sorafenib-glycyrrhizin and terbinafine-taurocholic acid nanoparticles ex vivo and in vivo . We anticipate that this platform could accelerate the development of safer and more efficacious nanoformulations with high drug loadings for a wide range of therapeutics.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».