Subcutaneous delivery of an antibody against SARS-CoV-2 from a supramolecular hydrogel depot
Notice bibliographique
Résumé
Prolonged maintenance of therapeutically-relevant levels of broadly neutralizing antibodies (bnAbs) is necessary to enable passive immunization against infectious disease. Unfortunately, protection only lasts for as long as these bnAbs remain present at a sufficiently high concentration in the body. Poor pharmacokinetics and burdensome administration are two challenges that need to be addressed in order to make pre- and post-exposure prophylaxis with bnAbs feasible and effective. In this work, we develop a supramolecular hydrogel as an injectable, subcutaneous depot to encapsulate and deliver antibody drug cargo. This polymer-nanoparticle (PNP) hydrogel exhibits shear-thinning and self-healing properties that are required for an injectable drug delivery vehicle. In vitro drug release assays and diffusion measurements indicate that the PNP hydrogels prevent burst release and slow the release of encapsulated antibodies. Delivery of bnAbs against SARS-CoV-2 from PNP hydrogels is compared to standard routes of administration in a preclinical mouse model. We develop a multi-compartment model to understand the ability of these subcutaneous depot materials to modulate the pharmacokinetics of released antibodies; the model is extrapolated to explore the requirements needed for novel materials to successfully deliver relevant antibody therapeutics with different pharmacokinetic characteristics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».