MétaCan
Menu
Retour à la cohorte
Enregistrement W4308183930 · doi:10.1039/d2ra02859j

Biophysical analysis of gelatin and PLGA nanoparticle interactions with complex biomimetic lung surfactant models

2022· article· en· W4308183930 sur OpenAlexafffund
Weiam Daear, Kevin Sule, Patrick Lai, Elmar J. Prenner

Notice bibliographique

RevueRSC Advances · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueInhalation and Respiratory Drug Delivery
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGelatinPulmonary surfactantPLGANanoparticleNanotechnologyChemistryChemical engineeringBiophysicsMaterials scienceOrganic chemistryEngineeringBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Biocompatible materials are increasingly used for pulmonary drug delivery, and it is essential to understand their potential impact on the respiratory system, notably their effect on lung surfactant, a monolayer of lipids and proteins, responsible for preventing alveolar collapse during breathing cycles. We have developed a complex mimic of lung surfactant composed of eight lipids mixed in ratios reported for native lung surfactant. A synthetic peptide based on surfactant protein B was added to better mimic the biological system. This model was used to evaluate the impact of biocompatible gelatin and poly(lactic-co-glycolic acid) nanoparticles. Surface pressure-area isotherms were used to assess lipid packing, film compressibility and stability, whereas the lateral organization was visualized by Brewster angle microscopy. Nanoparticles increased film fluidity and altered the monolayer collapse pressure. Bright protruding clusters formed in their presence indicate a significant impact on the lateral organization of the surfactant film. Altogether, this work indicates that biocompatible materials considered to be safe for drug delivery still need to be assessed for their potential detrimental impact before use in therapeutic 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,295
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRSC AdvancesMême sujetInhalation and Respiratory Drug DeliveryTravaux en français237 207