Assessment of Vehicle Volatility and Deposition Layer Thickness in Skin Penetration Models
Notice bibliographique
Résumé
Systemic disposition of dermally applied chemicals is often formulation-dependent. Rapid evaporation of the vehicle can result in crystallization of active compounds, limiting their degree of skin penetration. In addition, the choice of vehicle can affect the permeant's degree of penetration into the stratum corneum. The aim of this study is to build a predictive, mechanistic, dermal absorption model that accounts for vehicle-specific effects on the kinetics of permeant transport into skin. An existing skin penetration model is extended to explicitly include the effect of vehicle volatility over time. Using in vitro measurements of skin penetration by chemicals applied in both a saline and an ethanol solvent, the model is optimized to learn two vehicle-specific quantities: the solvent evaporation rate and the extent of permeant deposition into the upper stratum corneum immediately following application. The dermal disposition estimates of the trained model are subsequently compared against those of the original model using further in vitro measurements. The trained model showed a 1.5-fold improvement and a 19-fold improvement in overall goodness of fit among compounds tested in saline and ethanol solvents, respectively. The proposed model structure can thus form a basis for in vitro to in vivo extrapolations of dermal disposition for skin formulations containing volatile components.
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) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».