Application of Non-Destructive Testing Techniques (NDTT) to Characterize Nanocarriers Used for Drug Delivery: A Mini Review
Notice bibliographique
Résumé
The synthesis of tailored and highly engineered multifunctional pharmaceutical nanocarriers is an emerging field of study in drug delivery applications. They have a high surface-area-to-volume ratio, aiding the targeted drug’s biodistribution and pharmacokinetic properties. Therefore, the characterization of nanocarriers is critical for understanding their physicochemical properties, which significantly impact their molecular and systemic functioning. To achieve specific goals, particle size, surface characteristics, and drug release properties of nanocarriers must be managed. This mini review provides an overview of the applications of non-destructive testing techniques (NDTT) to reveal the characteristics of nanocarriers, considering their surface charge, porosity, size, morphology, and crystalline organization. The compositional and microstructural characterization of nanocarriers through NDTT, such as dynamic light scattering, X-ray diffraction, confocal laser scanning microscopy, ultraviolet-visible spectroscopy, scanning electron microscopy, atomic force microscopy, and nuclear magnetic resonance spectroscopy, have been comprehensively reviewed. Furthermore, NDTT is only used to characterize physicochemical parameters related to the physiological performance of nanocarriers but does not account for nanocarrier toxicity. Hence, it is highly recommended that in the future, NDTT be developed to assess the toxicity of nanocarriers. In addition, by developing more advanced, effective, and precise techniques, such as machine vision techniques using artificial intelligence, the future of using NDTT for nanocarrier characterization will improve the evaluation of internal quality parameters.
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) | 0,001 | 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 ».