Modulation of injectable hydrogel properties for slow co‐delivery of influenza subunit vaccine components enhance the potency of humoral immunity
Notice bibliographique
Résumé
Vaccines are critical for combating infectious diseases across the globe. Influenza, for example, kills roughly 500,000 people annually worldwide, despite annual vaccination campaigns. Efficacious vaccines must elicit a robust and durable antibody response, and poor efficacy often arises from inappropriate temporal control over antigen and adjuvant presentation to the immune system. In this work, we sought to exploit the immune system's natural response to extended pathogen exposure during infection by designing an easily administered slow-delivery influenza vaccine platform. We utilized an injectable and self-healing polymer-nanoparticle (PNP) hydrogel platform to prolong the co-delivery of vaccine components to the immune system. We demonstrated that these hydrogels exhibit unique dynamic physical characteristics whereby physicochemically distinct influenza hemagglutinin antigen and a toll-like receptor 7/8 agonist adjuvant could be co-delivered over prolonged timeframes that were tunable through simple alteration of the gel formulation. We show a relationship between hydrogel physical properties and the resulting immune response to immunization. When administered in mice, hydrogel-based vaccines demonstrated enhancements in the magnitude and duration of humoral immune responses compared to alum, a widely used clinical adjuvant system. We found stiffer hydrogel formulations exhibited slower release and resulted in the greatest improvements to the antibody response while also enabling significant adjuvant dose sparing. In summary, this work introduces a simple and effective vaccine delivery platform that increases the potency and durability of influenza subunit vaccines.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».