Impact of Biogenic and Chemogenic Selenium Nanoparticles on Model Eukaryotic Lipid Membranes
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Microbial nanotechnology is an expanding research area devoted to producing biogenic metal and metalloid nanomaterials (NMs) using microorganisms. Often, biogenic NMs are explored as antimicrobial, anticancer, or antioxidant agents. Yet, most studies focus on their applications rather than the underlying mechanism of action or toxicity. Here, we evaluate the toxicity of our well-characterized biogenic selenium nanoparticles (bSeNPs) produced by the Stenotrophomonas maltophilia strain SeITE02 against the model yeast Saccharomyces cerevisiae comparing it with chemogenic SeNPs (cSeNPs). Knowing from previous studies that the biogenic extract contained bSeNPs in an organic material (OM) and supported here by Fourier transform infrared spectroscopy, we removed and incubated it with cSeNPs (cSeNPs_OM) to assess its influence on the toxicity of these formulations. Specifically, we focused on the first stages of the eukaryotic cell exposure to these samples─i.e., their interaction with the cell lipid membrane, which was mimicked by preparing vesicles from yeast polar lipid extract or phosphatidylcholine lipids. Fluidity changes derived from biogenic and chemogenic samples revealed that the bSeNP extract mediated the overall rigidification of lipid vesicles, while cSeNPs showed negligible effects. The OM and cSeNPs_OM induced similar modifications to the bSeNP extract, reiterating the need to consider the OM influence on the physical–chemical and biological properties of bSeNP extracts.
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 | 0,000 |
| 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 ».