Graphene and graphene oxide with anticancer applications: Challenges and future perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Graphene-based materials have shown immense pertinence for sensing/imaging, gene/drug delivery, cancer therapy/diagnosis, and tissue engineering/regenerative medicine. Indeed, the large surface area, ease of functionalization, high drug loading capacity, and reactive oxygen species induction potentials have rendered graphene- (G-) and graphene oxide (GO)-based (nano)structures promising candidates for cancer therapy applications. Various techniques namely liquid-phase exfoliation, Hummer's method, chemical vapor deposition, chemically reduced GO, mechanical cleavage of graphite, arc discharge of graphite, and thermal fusion have been deployed for the production of G-based materials. Additionally, important criteria such as biocompatibility, bio-toxicity, dispersibility, immunological compatibility, and inflammatory reactions of G-based structures need to be systematically assessed for additional clinical and biomedical appliances. Furthermore, surface properties (e.g., lateral dimension, charge, corona influence, surface structure, and oxygen content), concentration, detection strategies, and cell types are vital for anticancer activities of these structures. Notably, the efficient accumulation of anticancer drugs in tumor targets/tissues, controlled cellular uptake properties, tumor-targeted drug release behavior, and selective toxicity toward the cells are crucial criteria that need to be met for developing future anticancer G-based nanosystems. Herein, important challenges and future perspectives of cancer therapy using G- and GO-based nanosystems have been highlighted, and the recent advancements are deliberated.
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.
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) | 0,001 | 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 | 0,000 |
| 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 découle