Fullerenes’ Interactions with Plasma Membranes: Insight from the MD Simulations
Notice bibliographique
Résumé
Understanding the interactions between carbon nanoparticles (CNPs) and biological membranes is critically important for applications of CNPs in biomedicine and toxicology. Due to the complexity and diversity of the systems, most molecular simulation studies have focused on the interactions of CNPs and single component bilayers. In this work, we performed coarse-grained molecular dynamic (CGMD) simulations to investigate the behaviors of fullerenes in the presence of multiple lipid components in the plasma membranes with varying fullerene concentrations. Our results reveal that fullerenes can spontaneously penetrate the plasma membrane. Interestingly, fullerenes prefer to locate themselves in the region of the highly unsaturated lipids that are enriched in the inner leaflet of the plasma membrane. This causes fullerene aggregation even at low concentrations. When increasing fullerene concentrations, the fullerene clusters grow, and budding may emerge at the inner leaflet of the plasma membrane. Our findings suggest by tuning the lipid composition, fullerenes can be loaded deeply inside the plasma membrane, which can be useful for designing drug carrier liposomes. Moreover, the mechanisms of how fullerenes perturb multicomponent cell membranes and how they directly enter the cell are proposed. These insights can help to determine fullerene toxicity in living cells.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,009 | 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 ».