Identification and in vivo characterization of a brain-penetrating nanobody
Notice bibliographique
Résumé
BACKGROUND: Preclinical models to determine blood to brain transport ability of therapeutics are often ambiguous. In this study a method is developed that relies on CNS target-engagement and is able to rank brain-penetrating capacities. This method led to the discovery of an anti-transferrin receptor nanobody that is able to deliver a biologically active peptide to the brain via receptor-mediated transcytosis. METHODS: Various nanobodies against the mouse transferrin receptor were fused to neurotensin and injected peripherally in mice. Neurotensin is a neuropeptide that causes hypothermia when present in the brain but is unable to reach the brain from the periphery. Continuous body temperature measurements were used as a readout for brain penetration of nanobody-neurotensin fusions after its peripheral administration. Full temperature curves were analyzed using two-way ANOVA with Dunnett multiple comparisons tests. RESULTS: One anti-transferrin receptor nanobody coupled to neurotensin elicited a drop in body temperature following intravenous injection. Epitope binning indicated that this nanobody bound a distinct transferrin receptor epitope compared to the non-crossing nanobodies. This brain-penetrating nanobody was used to characterize the in vivo hypothermia model. The hypothermic effect caused by neurotensin is dose-dependent and could be used to directly compare peripheral administration routes and various nanobodies in terms of brain exposure. CONCLUSION: This method led to the discovery of an anti-transferrin receptor nanobody that can reach the brain via receptor-mediated transcytosis after peripheral administration. This method could be used to assess novel proteins for brain-penetrating capabilities using a target-engaging readout.
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 ».