High-Sensitivity Permeation Analysis of Ultrasmall Nanoparticles Across the Skin by Positron Emission Tomography
Notice bibliographique
Résumé
Ultrasmall nanoparticles (US-NPs; <20 nm in hydrodynamic size) are now included in a variety of pharmacological and cosmetic products, and new technologies are needed to detect at high sensitivity the passage of small doses of these products across biological barriers such as the skin. In this work, a diffusion cell adapted to positron emission tomography (PET), a highly sensitive imaging technology, was developed to measure the passage of gold NPs (AuNPs) in skin samples in continuous mode. US-AuNPs (3.2 nm diam.; TEM) were functionalized with deferoxamine (DFO) and radiolabeled with 89Zr(IV) (half-life: 3.3 days, matching the timeline of diffusion tests). The physicochemical properties of the functionalized US-AuNPs (US-AuNPs-PEG-DFO) were characterized by FTIR (DFO grafting; hydroxamate peaks: 1629.0 cm–1, 1569.0 cm–1), XPS (presence of the O═C–N C 1s peak of DFO at 287.49 eV), and TGA (organic mass fraction). The passage of US-AuNPs-PEG-DFO-89Zr(IV) in skin samples was measured by PET, and the diffusion parameters were extracted thereby. The signals of radioactive US-AuNPs-PEG-DFO-89Zr(IV) leaving the donor compartment, passing through the skin, and entering the acceptor compartment were detected in continuous at concentrations as low as 2.2 nM of Au. The high-sensitivity acquisitions performed in continuous allowed for the first time to extract the lag time to the start of permeation, the lag time to start of the steady state, the diffusion coefficients, and the influx data for AuNPs permeating into the skin. PET could represent a highly valuable tool for the development of nanoparticle-containing topical formulations of drugs and cosmetics.
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 | 0,001 |
| 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) | 0,001 | 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 ».