Using Extracellular Vesicles for Brain Delivery of Therapeutic Proteins
Notice bibliographique
Résumé
Increasing evidence suggests that extracellular vesicles (EVs) are promising natural nanocarriers that can be used for delivery of various types of therapeutics. We reported earlier engineered EV-based formulations for treatment of neurodegenerative diseases and cancer. Herein, we investigated the use of EVs for brain delivery of different therapeutic proteins, including a soluble lysosomal enzyme tripeptidyl peptidase-1, TPP1; a potent antioxidant, catalase, and glial cellderived neurotrophic factor, GDNF. The therapeutic proteins were loaded into EVs using two methods: (i) transfection of EV-producing cells, macrophages, with drug-encoding plasmid DNA, or (ii) incorporation of the therapeutic protein into naive empty EVs. The second approach utilized sonication, or extrusion, or freeze-thaw cycles, or permeabilization of EVs membranes with saponin to achieve high loading efficiency. The utilized methods provided effective incorporation of functional therapeutic proteins into EVs. Notably, along with the enzyme, EVs released by pre-transfected macrophages contained drug-encoding pDNA. EVs significantly increased stability of the proteins against protease degradation and provided extraordinary drug delivery to target cells in in vitro and in vivo models of neurodegeneration. A robust accumulation of EVs carriers was detected in the inflamed brain. Finally, systemic administration of drug loaded EVs significantly increased neuronal survival and decreased neuroinflammation. We hypothesized that EV-based formulations have a potential to be a versatile strategy to treat different neurodegenerative disorders.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».