Photodynamic therapy with nanoparticles to combat microbial infection and resistance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Infections caused by drug-resistant pathogens are rapidly increasing in incidence and pose an urgent global health concern. New treatments are needed to address this critical situation while preventing further resistance acquired by the pathogens. One promising approach is antimicrobial photodynamic therapy (PDT), a technique that selectively damages pathogenic cells through reactive oxygen species (ROS) that have been deliberately produced by light-activated chemical reactions via a photosensitiser. There are currently some limitations to its wider deployment, including aggregation, hydrophobicity, and sub-optimal penetration capabilities of the photosensitiser, all of which decrease the production of ROS and lead to reduced therapeutic performance. In combination with nanoparticles, however, these challenges may be overcome. Their small size, functionalisable structure, and large contact surface allow a high degree of internalization by cellular membranes and tissue barriers. In this review, we first summarise the mechanism of PDT action and the interaction between nanoparticles and the cell membrane. We then introduce the categorisation of nanoparticles in PDT, acting as nanocarriers, photosensitising molecules, and transducers, in which we highlight their use against a range of bacterial and fungal pathogens. We also compare the antimicrobial efficiency of nanoparticles to unbound photosensitisers and examine the relevant safety considerations. Finally, we discuss the use of nanoparticulate drug delivery systems in clinical applications of antimicrobial PDT.
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.
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) | 0,002 | 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 | 0,000 | 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 découle