Isolation and characterization of extracellular vesicles for clinical applications in cancer – time for standardization?
Notice bibliographique
Résumé
. An important physiological role of EVs is cell-cell communication. EVs interact with, and deliver, their contents to recipient cells in a functional capacity; this makes EVs desirable vehicles for the delivery of therapeutic cargoes. In addition, as EVs contain proteins, lipids, glycans, and nucleic acids that reflect their cell of origin, their potential utility in disease diagnosis and prognostication is of great interest. The number of published studies analyzing EVs and their contents in the pre-clinical and clinical setting is rapidly expanding. However, there is little standardization as to what techniques should be used to isolate, purify and characterize EVs. Here we provide a comprehensive literature review encompassing the use of EVs as diagnostic and prognostic biomarkers in cancer. We also detail their use as therapeutic delivery vehicles to treat cancer in pre-clinical and clinical settings and assess the EV isolation and characterization strategies currently being employed. Our report details diverse isolation strategies which are often dependent upon multiple factors such as biofluid type, sample volume, and desired purity of EVs. As isolation strategies vary greatly between studies, thorough EV characterization would be of great importance. However, to date, EV characterization in pre-clinical and clinical studies is not consistently or routinely adhered to. Standardization of EV characterization so that all studies image EVs, quantitate protein concentration, identify the presence of EV protein markers and contaminants, and measure EV particle size and concentration is suggested. Additionally, the use of RNase, DNase and protease EV membrane protection control experiments is recommended to ensure that the cargo being investigated is truly EV associated. Overall, diverse methodology for EV isolation is advantageous as it can support different sample types and volumes. Nevertheless, EV characterization is crucial and should be performed in a rigorous manor.
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 | 0,041 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».