3D-printed dual drug delivery nanoparticleloaded hydrogels to combat antibiotic-resistant bacteria
Notice bibliographique
Résumé
Implant-associated infections are not easy to diagnose and very difficult to treat, due to the ability of major pathogens, such as Staphylococcus aureus, to develop biofilms and escape the immune response and antibiotic treatment. We, therefore, aimed to develop a 3D-printed dual rifampicin (Rif)- and vancomycin (Van)-loaded polylacticco-glycolic acid (PLGA) nanoparticles (NPs) delivery system based on hydrogels made of gelatin methacrylate (GelMA). The release of Rif and Van from NPs manufactured from different PLGA molecular weights was studied in phosphate-buffered saline for 21 days. Low molecular weight PLGA NPs exhibited the fastest release of Rif and Van within the first 7 days and were selected for antimicrobial evaluation. Four different GelMA-based 3D-printed samples were successfully produced, carrying non-loaded NPs, Rif-NPs, Van-NPs, or alternating layers of Rif-NPs and Van-NP. The exposition of S. aureus against increased concentrations of Rif or Van produced new resistant strains to Rif (RifR ) or Van (VanR ). The GelMA hydrogel co-delivering Rif and Van eradicated S. aureus RN4220 RifR  and RN4220 VanR  strains. S. aureus RN4220 and S. aureus AMC 201 colonies developed resistance to Rif after contact with the GelMA hydrogel containing only Rif-NPs which appeared to be due to known mutations in the rpoB gene. In conclusion, 3D-printed GelMA hydrogel loaded with PLGA Rif-Van-NPs drug delivery system show promising in vitro results to prevent implant-associated infections caused by antimicrobial-resistant bacteria.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».