MétaCan
Menu
Retour à la cohorte
Enregistrement W4321433710 · doi:10.1002/anie.202218218

Novel Strategy to Drive the Intracellular Uptake of Lipid Nanoparticles for Photodynamic Therapy

2023· article· en· W4321433710 sur OpenAlexafffund
Tiffany Ho, Keegan Guidolin, Ali Makky, Michael S. Valic, Lili Ding, Jiachuan Bu, Mark Zheng, Miffy H. Y. Cheng, Jeremy Yau, Juan Chen, Gang Zheng

Notice bibliographique

RevueAngewandte Chemie International Edition · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNanoplatforms for cancer theranostics
Établissements canadiensPrincess Margaret Cancer CentreUniversity of TorontoUniversity Health Network
Organismes subventionnairesCanada Research ChairsTerry Fox Research InstituteCanada Foundation for InnovationPrincess Margaret Cancer Foundation
Mots-clésLiposomePhotodynamic therapyIntracellularChemistryChelationBiophysicsNanomedicineDrug deliveryCancer cellCellPorphyrinNanoparticleBiochemistryCancerCancer researchNanotechnologyMedicineBiologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Nanoparticles' uptake by cancer cells upon reaching the tumor microenvironment is often the rate-limiting step in cancer nanomedicine. Herein, we report that the inclusion of aminopolycarboxylic acid conjugated lipids, such as EDTA- or DTPA-hexadecylamide lipids in liposome-like porphyrin nanoparticles (PS) enhanced their intracellular uptake by 25-fold, which was attributed to these lipids' ability to fluidize the cell membrane in a detergent-like manner rather than by metal chelation of EDTA or DTPA. EDTA-lipid-incorporated-PS (ePS) take advantage of its unique active uptake mechanism to achieve >95 % photodynamic therapy (PDT) cell killing compared to <5 % cell killing by PS. In multiple tumor models, ePS demonstrated fast fluorescence-enabled tumor delineation within minutes post-injection and increased PDT potency (100 % survival rate) compared to PS (60 %). This study offers a new nanoparticle cellular uptake strategy to overcome challenges associated with conventional drug delivery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,372

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,253
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAngewandte Chemie International EditionMême sujetNanoplatforms for cancer theranosticsTravaux en français237 207