Controllable Engineering and Functionalizing Nanoparticles with Specific Targeting Capability
Notice bibliographique
Résumé
<title>Abstract</title> Due to unique properties, nanoparticles been widely used in important biomedical applications such as imaging, drug delivery and disease therapy. Targeting toward specific proteins is essential for the effective utilization of nanoparticles. However, current targeting strategies mainly rely on surface modification with bio-ligands, which often not only fail to provide desired properties but also remain challenging. Here we report an unprecedented approach, called reverse microemulsion-confined epitope-oriented surface imprinting and cladding (ROSIC), for facile, versatile and controllable engineering coreless and core/shell nanoparticles with tunable monodispersed size as well as specific targeting capability towards proteins and peptides. Via engineering coreless imprinted and cladded silica nanoparticles, the effectiveness and superiority over conventional imprinting of the proposed approach was first verified. The prepared nanoparticles exhibited both high specificity and high affinity. Using quantum dots (QDs), superparamagnetic nanoparticles, silver nanoparticles and upconverting nanoparticles as a representative set of core substrates, a variety of dual-functional single-core/shell nanoparticles were then successfully prepared. Finally, selective fluorescence imaging of triple negative breast cancer cells over other breast cancer cell lines using QD-cored nanoparticles was achieved, which well demonstrated the potential of the prepared core/shell nanoparticles in biomedical applications. Thus, this approach opened a new avenue to engineering and functionalization of advanced nanoparticles with targeting capability, holding great prospects in biomedical applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».