Dehydropeptide-based plasmonic magnetogels: a supramolecular composite nanosystem for multimodal cancer therapy
Notice bibliographique
Résumé
Supramolecular hydrogels are highly promising candidates as biomedical materials owing to their wide array of properties, which can be tailored and modulated. Additionally, their combination with plasmonic/magnetic nanoparticles to form plasmonic magnetogels further improves their potential in biomedical applications through the combination of complementary strategies, such as photothermia, magnetic hyperthermia, photodynamic therapy and magnetic-guided drug delivery. Here, a new dehydropeptide hydrogelator, Npx-l-Met-Z-ΔPhe-OH, was developed and combined with two different plasmonic/magnetic nanoparticle architectures, i.e., core/shell manganese ferrite/gold nanoparticles and gold-decorated manganese ferrite nanoparticles with ca. 55 nm and 45 nm sizes, respectively. The magnetogels were characterized via HR-TEM, FTIR spectroscopy, circular dichroism and rheological assays. The gels were tested as nanocarriers for a model antitumor drug, the natural compound curcumin. The incorporation of the drug in the magnetogel matrices was confirmed through fluorescence-based techniques (FRET, fluorescence anisotropy and quenching). The curcumin release profiles were studied with and without the excitation of the gold plasmon band. The transport of curcumin from the magnetogels towards biomembrane models (small unilamellar vesicles) was assessed via FRET between the fluorescent drug and the lipid probe Nile Red. The developed magnetogels showed promising results for photothermia and photo-triggered drug release. The magnetogels bearing gold-decorated nanoparticles showed the best photothermia properties, while the ones containing core/shell nanoparticles had the best photoinduced curcumin release.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».