High sensitivity detection of nanoparticles permeation through polymer membranes: A physico-chemical and nuclear imaging measurement approach
Notice bibliographique
Résumé
Diffusion cells are devices made of donor and acceptor compartments (DC and AC), separated by a membrane. They are widely used in pharmaceutical, cosmetic, toxicology, and protective equipment tests (e.g., gloves) to measure the kinetics of permeants (molecules and nanoparticles) across biological membranes as the skin. However, rarely is the concentration of permeants in the AC measured in continuous or in real-time, and this limitation leads to significant discrepancies in the calculations of kinetic parameters that define the permeation mechanisms. In this study, a diffusion cell compatible with positron emission tomography was used to measure the permeation kinetics of nanoparticles across glove membranes. The technology allows for the measurement of nanoparticle concentration in real-time in the two compartments (DC and AC) and at a detection sensitivity several orders of magnitude higher compared with conventional spectroscopies, thus allowing a much more precise extraction of kinetic parameters. Ultra-small (<10 nm) gold nanoparticles were used as a model nanoparticle contaminant. They were radiolabeled, and their diffusion kinetics was measured in continuous through latex and nitrile polymer membranes. Permeation profiles were recorded at sub-nanomolar sensitivity and in real-time, thus allowing the high precision extraction of kinetic permeation parameters. The technology, methodology, and data extraction process developed in this work could be applied to measure in real-time the kinetics of diffusion of a whole range of potentially toxic molecules and nanoparticles across polymer membranes, including glove membranes.
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) | 0,000 | 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) | 0,000 | 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 ».