Radiolabelling of nanomaterials for medical imaging and therapy
Notice bibliographique
Résumé
Nanomaterials offer unique physical, chemical and biological properties of interest for medical imaging and therapy. Over the last two decades, there has been an increasing effort to translate nanomaterial-based medicinal products (so-called nanomedicines) into clinical practice and, although multiple nanoparticle-based formulations are clinically available, there is still a disparity between the number of pre-clinical products and those that reach clinical approval. To facilitate the efficient clinical translation of nanomedicinal-drugs, it is important to study their whole-body biodistribution and pharmacokinetics from the early stages of their development. Integrating this knowledge with that of their therapeutic profile and/or toxicity should provide a powerful combination to efficiently inform nanomedicine trials and allow early selection of the most promising candidates. In this context, radiolabelling nanomaterials allows whole-body and non-invasive in vivo tracking by the sensitive clinical imaging techniques positron emission tomography (PET), and single photon emission computed tomography (SPECT). Furthermore, certain radionuclides with specific nuclear emissions can elicit therapeutic effects by themselves, leading to radionuclide-based therapy. To ensure robust information during the development of nanomaterials for PET/SPECT imaging and/or radionuclide therapy, selection of the most appropriate radiolabelling method and knowledge of its limitations are critical. Different radiolabelling strategies are available depending on the type of material, the radionuclide and/or the final application. In this review we describe the different radiolabelling strategies currently available, with a critical vision over their advantages and disadvantages. The final aim is to review the most relevant and up-to-date knowledge available in this field, and support the efficient clinical translation of future nanomedicinal products for in vivo imaging and/or therapy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 ».