Improvements in Drug-Delivery Properties by Co-Encapsulating Curcumin in SN-38-Loaded Anticancer Polymeric Nanoparticles
Notice bibliographique
Résumé
SN-38 is an immensely potent anticancer agent although its use necessitates encapsulation to overcome issues of poor solubility and stability. Since SN-38 is a notoriously challenging drug to encapsulate, new avenues to increase encapsulation efficiency in polymer nanoparticles (PNPs) are needed. In this paper, we show that nanoprecipitation with curcumin (CUR) increases SN-38 encapsulation efficiencies in coloaded SN-38/CUR-PNPs based on poly(ε-caprolactone)-block-poly(ethylene glycol) (PCL-b-PEG) by up to a factor of 10. In addition, we find a dramatic decrease in PNP polydispersities, from 0.34 to 0.07, as the initial CUR-to-polymer ratio increases from 0 to 10, with only a modest increase in PNP size (from 40 to 55 nm). Compared to coloaded PNP formation using nanoprecipitation in the bulk or in a gas–liquid, a two-phase microfluidic reactor shows similar trends with respect to CUR content, although improvements in SN-38 encapsulation efficiencies both with and without CUR are found using the microfluidic method. Additional precipitation studies without copolymer suggest that CUR increases the dispersion of SN-38 in the solvent medium of micelle formation, which may contribute to the observed encapsulation enhancement. Cytotoxicity studies of unencapsulated SN-38/CUR mixtures show that addition of CUR does not significantly affect SN-38 potency against either U87 (glioblastoma) or A204 (rhabdomyosarcoma) cell lines. However, we find significant differences in the potencies of SN-38/CUR-PNP formulations depending on initial CUR amounts, with an optimized formulation showing subnanomolar cytotoxicity against A204 cells, significantly more potent than either free SN-38 or PNPs containing only SN-38.
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 | 0,001 |
| 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) | 0,001 | 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 ».