Selective targeting of nanomedicine to inflamed cerebral vasculature to enhance the blood–brain barrier
Notice bibliographique
Résumé
Drug targeting to inflammatory brain pathologies such as stroke and traumatic brain injury remains an elusive goal. Using a mouse model of acute brain inflammation induced by local tumor necrosis factor alpha (TNFα), we found that uptake of intravenously injected antibody to vascular cell adhesion molecule 1 (anti-VCAM) in the inflamed brain is >10-fold greater than antibodies to transferrin receptor-1 and intercellular adhesion molecule 1 (TfR-1 and ICAM-1). Furthermore, uptake of anti-VCAM/liposomes exceeded that of anti-TfR and anti-ICAM counterparts by ∼27- and ∼8-fold, respectively, achieving brain/blood ratio >300-fold higher than that of immunoglobulin G/liposomes. Single-photon emission computed tomography imaging affirmed specific anti-VCAM/liposome targeting to inflamed brain in mice. Intravital microscopy via cranial window and flow cytometry showed that in the inflamed brain anti-VCAM/liposomes bind to endothelium, not to leukocytes. Anti-VCAM/LNP selectively accumulated in the inflamed brain, providing de novo expression of proteins encoded by cargo messenger RNA (mRNA). Anti-VCAM/LNP-mRNA mediated expression of thrombomodulin (a natural endothelial inhibitor of thrombosis, inflammation, and vascular leakage) and alleviated TNFα-induced brain edema. Thus VCAM-directed nanocarriers provide a platform for cerebrovascular targeting to inflamed brain, with the goal of normalizing the integrity of the blood-brain barrier, thus benefiting numerous brain pathologies.
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 | 0,000 | 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 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 ».