siRNA Functionalized Lipid Nanoparticles (LNPs) in Management of Diseases
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.
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 | 0,000 |
| 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 | 0,001 | 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 ».