Effective treatment of metastatic sentinel lymph nodes by dual-targeting melittin nanoparticles
Notice bibliographique
Résumé
Sentinel lymph node (SLN) metastasis is an important promoter of distant metastasis in breast cancer. Therefore, the timely diagnosis and precise treatment are crucial for patient staging and prognosis. However, the simultaneous diagnosis of metastasis and the implementation of imaging-guided SLN therapy is challenging. Here, we report a melittin-loaded and hyaluronic acid (HA)-conjugated high-density lipoprotein (HDL) mimic phospholipid scaffold nanoparticle (MLT-HA-HPPS), which dually-target to both breast cancer and its SLN and efficiently inhibit SLN metastasis in the LN metastasis model. The melittin peptide was successfully loaded onto HA-HPPS via electrostatic interactions, and MLT-HA-HPPS possesses effective cytotoxicity for breast cancer 4T1 cells. Moreover, the effective delivery of MLT-HA-HPPS from the primary tumor into SLN is monitored by NIR fluorescence imaging, which greatly benefits the prognosis and treatment of metastatic SLNs. After paracancerous administration, MLT-HA-HPPS can efficiently inhibit primary tumor growth with an inhibition rate of 81.3% and 76.5% relative to the PBS-treated control group and HA-HPPS group, respectively. More importantly, MLT-HA-HPPS can effectively inhibit the growth of the metastatic SLNs with an approximately 78.0%, 79.1%, and 64.2% decrease in SLNs weight than those in PBS, HA-HPPS, and melittin-treated mice, respectively. Taken together, the MLT-HA-HPPS may provide an encouraging theranostic of SLN drug delivery strategy to inhibit primary tumor progression and prevent SLN metastasis of breast cancer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».