Surface Response Based Modeling of Liposome Characteristics in a Periodic Disturbance Mixer
Notice bibliographique
Résumé
Liposomes nanoparticles (LNPs) are vesicles that encapsulate drugs, genes, and imaging labels for advanced delivery applications. Control and tuning liposome physicochemical characteristics such as size, size distribution, and zeta potential are crucial for their functionality. Liposome production using micromixers has shown better control over liposome characteristics compared with classical approaches. In this work, we used our own designed and fabricated Periodic Disturbance Micromixer (PDM). We used Design of Experiments (DoE) and Response Surface Methodology (RSM) to statistically model the relationship between the Total Flow Rate (TFR) and Flow Rate Ratio (FRR) and the resulting liposomes physicochemical characteristics. TFR and FRR effectively control liposome size in the range from 52 nm to 200 nm. In contrast, no significant effect was observed for the TFR on the liposomes Polydispersity Index (PDI); conversely, FRR around 2.6 was found to be a threshold between highly monodisperse and low polydispersed populations. Moreover, it was shown that the zeta potential is independent of TFR and FRR. The developed model presented on the paper enables to pre-establish the experimental conditions under which LNPs would likely be produced within a specified size range. Hence, the model utility was demonstrated by showing that LNPs were produced under such conditions.
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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».