Microfluidic Generation of Therapeutically Relevant Polycaprolactone (PCL) Microparticles: Computational and Experimental Approaches
Notice bibliographique
Résumé
Drug releasing microparticles play an important role in drug delivery as they can be used for site specific delivery as well as control over the release time of therapeutics. The use of microfluidic technologies for the fabrication of these particles is of increasing interest since they provide enhanced control over microparticle size and size distribution compared to bulk production methods. However, the use of microfluidic platforms in the production of drug releasing microparticles with therapeutically relevant cargo still requires optimization depending on their application, and the effect of the addition of cargo on the production process is still unexplored. Here we show the formation of therapeutically relevant (in terms of size and dose of cargo) polycaprolactone (PCL) microparticles using a microfluidic platform and analyze the effect of the addition of cargo in the microparticle size and size distribution. This microfluidic platform was designed with the aid of computational fluid dynamic simulations, allowing us to construct a polydimethylsiloxane (PDMS) microfluidic device capable of making microparticles in the range of 15 to 35 μm with low coefficient of variation (CV) both with and without cargo by varying the flow rate ratios of the phases used during droplet generation. Our data show the effect of the addition of cargo on the droplet and microparticle sizes and monodispersity. Our fabrication method allows the formation of spherical microparticles, optimal for biomedical applications. In addition, our microfluidic platform can maintain the generation of monodisperse droplets (with an average size of 52.5 μm) over extended periods of time, suggesting it has the capacity to be used for scaled-up production of PCL microparticles. This microfluidic device is a robust and reliable method for the fabrication of PCL microparticles with cargo, which can potentially be loaded with other relevant therapeutic molecules for biomedical applications.
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 | 0,001 |
| 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 | 0,001 | 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 ».