Creating Designer Engineered Extracellular Vesicles for Diverse Ligand Display, Target Recognition, and Controlled Protein Loading and Delivery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Efficient and targeted delivery of therapeutic agents remains a bottleneck in modern medicine. Here, biochemical engineering approaches to advance the repurposing of extracellular vesicles (EVs) as drug delivery vehicles are explored. Targeting ligands such as the sugar GalNAc are displayed on the surface of EVs using a HaloTag-fused to a protein anchor that is enriched on engineered EVs. These EVs are successfully targeted to human primary hepatocytes. In addition, the authors are able to decorate EVs with an antibody that recognizes a GLP1 cell surface receptor by using an Fc and Fab region binding moiety fused to an anchor protein, and they show that this improves EV targeting to cells that overexpress the receptor. The authors also use two different protein-engineering approaches to improve the loading of Cre recombinase into the EV lumen and demonstrate that functional Cre protein is delivered into cells in the presence of chloroquine, an endosomal escape enhancer. Lastly, engineered EVs are well tolerated upon intravenous injection into mice without detectable signs of liver toxicity. Collectively, the data show that EVs can be engineered to improve cargo loading and specific cell targeting, which will aid their transformation into tailored drug delivery vehicles.
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.
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 | 0,000 | 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 découle