siRNA Functionalized Lipid Nanoparticles (LNPs) in Management of Diseases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
RNAi (RNA interference)-based technology is emerging as a versatile tool which has been widely utilized in the treatment of various diseases. siRNA can alter gene expression by binding to the target mRNA and thereby inhibiting its translation. This remarkable potential of siRNA makes it a useful candidate, and it has been successively used in the treatment of diseases, including cancer. However, certain properties of siRNA such as its large size and susceptibility to degradation by RNases are major drawbacks of using this technology at the broader scale. To overcome these challenges, there is a requirement for versatile tools for safe and efficient delivery of siRNA to its target site. Lipid nanoparticles (LNPs) have been extensively explored to this end, and this paper reviews different types of LNPs, namely liposomes, solid lipid NPs, nanostructured lipid carriers, and nanoemulsions, to highlight this delivery mode. The materials and methods of preparation of the LNPs have been described here, and pertinent physicochemical properties such as particle size, surface charge, surface modifications, and PEGylation in enhancing the delivery performance (stability and specificity) have been summarized. We have discussed in detail various challenges facing LNPs and various strategies to overcome biological barriers to undertake the safe delivery of siRNA to a target site. We additionally highlighted representative therapeutic applications of LNP formulations with siRNA that may offer unique therapeutic benefits in such wide areas as acute myeloid leukaemia, breast cancer, liver disease, hepatitis B and COVID-19 as recent examples.
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.
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) | 0,000 | 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 découle