A Perspective on Therapeutic Applications and Strategies to Mitigate Toxicityof Metallic Nanoparticles
Notice bibliographique
Résumé
Metallic nanoparticles (MNPs) have been widely used for diagnostic and therapeutic purposes in clinical practice. A number of MNP formulations are being investigated in clinical trials for various applications. This increase in the use of NPs results in higher exposure to humans, leading to toxicity issues. Hence, it is necessary to determine the possible undesirable effects of the MNPs after in-vivo application and exposure. One of the main reasons for the toxicity of MNPs is the release of their respective metallic ions throughout the body. Many research studies are in progress investigating the various strategies to reduce the toxicity of MNPs. These research studies aim to change the size, dose, agglomeration, release, and excretion rates of MNPs. In this perspective review, we discussed the possible strategies to improve the therapeutic effects of MNPs through various processes, with lessons learned from the studies involving silver nanoparticles (AgNPs). We also discussed the ways to manage the toxicity of MNPs by purification, surface functionalization, synergistic effect, and targeted therapy approach. All these strategies could reduce the dose of the MNPs without compromising their therapeutic benefits, which could decrease the toxicity of MNPs. Additionally, we briefly discussed the market and toxicology testing for FDA-regulated MNPs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
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 ».