High-Throughput Synthesis, Analysis, and Optimization of Injectable Hydrogels for Protein Delivery
Notice bibliographique
Résumé
The development of in situ-gelling hydrogels that can enable prolonged protein release is increasingly important due to the emergence of a growing number of protein-based therapeutics. Herein, we describe a high-throughput strategy to fabricate, characterize, and subsequently optimize hydrazone-cross-linked in situ-gelling hydrogels for protein delivery. Hydrogels are fabricated using an automated high-throughput robot to mix a variety of thermoresponsive, nonthermoresponsive, charged, neutral, naturally sourced, and synthetic polymers functionalized with hydrazide or aldehyde groups, generating in situ-gelling hydrogels with well-defined compositions within a 96-well plate. High-throughput characterization strategies are subsequently developed to enable on-plate analysis of hydrogel swelling, mechanics, degradation, transparency, and protein (ovalbumin) release kinetics that yield results consistent with those collected using traditional bulk hydrogel analysis techniques. Dynamic regression and latent variable modeling are then applied to fit performance statistics to the collected data set; subsequently, numerical optimization is used to identify mixtures of precursor polymers that exhibit targeted combinations of minimal burst release, maximum total protein release, minimum release rate, and maximum transparency (the latter of particular relevance for ophthalmic protein delivery applications). Given the rapid throughput of the protocols developed (i.e., 126 hydrogels can be synthesized and screened in quadruplicate within hours), this approach offers particular promise for accelerating the identification of injectable hydrogel compositions relevant for both protein delivery as well as other biomedical applications for which clearly predefined materials properties are required.
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 | 0,000 | 0,000 |
| 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 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 ».