Core material and surface chemistry of Layer-by-Layer (LbL) nanoparticles independently direct uptake, transport, and trafficking in preclinical blood-brain barrier (BBB) models
Notice bibliographique
Résumé
Abstract Development of new treatments for neurological disorders, especially brain tumors and neurodegenerative diseases, is hampered by poor accumulation of new therapeutic candidates in the brain. Drug carrying nanoparticles are a promising strategy to deliver therapeutics, but there is a major need to understand interactions between nanomaterials and the cells of the blood-brain barrier (BBB), and to what degree these interactions can be predicted by preclinical models. Here, we use a library of eighteen layer-by-layer electrostatically assembled nanoparticles (LbL-NPs) to independently assess the impact of nanoparticle core stiffness and surface chemistry on in vitro uptake and transport in three common assays, as well as intracellular trafficking in hCMEC/D3 endothelial cells. We demonstrate that nanoparticle core stiffness impacts the magnitude of material transported, while surface chemistry influences how the nanoparticles are trafficked within the cell. Finally, we demonstrate that these factors similarly dictate in vivo BBB transport using intravital imaging through cranial windows in mice, and we discover that a hyaluronic acid surface chemistry provides an unpredicted boost to transport. Taken together, these findings highlight the importance of considering factors such as assay geometry, nanomaterial labelling strategies, and fluid flow in designing preclinical assays to improve nanoparticle screening throughput for drug delivery to the brain.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».