Quantitative Pharmacokinetics Reveal Impact of Lipid Composition on Microbubble and Nanoprogeny Shell Fate
Notice bibliographique
Résumé
Abstract Microbubble‐enabled focused ultrasound (MB‐FUS) has revolutionized nano and molecular drug delivery capabilities. Yet, the absence of longitudinal, systematic, quantitative studies of microbubble shell pharmacokinetics hinders progress within the MB‐FUS field. Microbubble radiolabeling challenges contribute to this void. This barrier is overcome by developing a one‐pot, purification‐free copper chelation protocol able to stably radiolabel diverse porphyrin‐lipid‐containing Definity® analogues (pDefs) with >95% efficiency while maintaining microbubble physicochemical properties. Five tri‐modal (ultrasound‐, positron emission tomography (PET)‐, and fluorescent‐active) [ 64 Cu ] Cu‐pDefs are created with varying lipid acyl chain length and charge, representing the most prevalently studied microbubble compositions. In vitro, C16 chain length microbubbles yield 2–3x smaller nanoprogeny than C18 microbubbles post FUS. In vivo, [ 64 Cu ] Cu‐pDefs are tracked in healthy and 4T1 tumor‐bearing mice ± FUS over 48 h qualitatively through fluorescence imaging (to characterize particle disruption) and quantitatively through PET and γ‐counting. These studies reveal the impact of microbubble composition and FUS on microbubble dissolution rates, shell circulation, off‐target tissue retention (predominantly the liver and spleen), and FUS enhancement of tumor delivery. These findings yield pharmacokinetic microbubble structure‐activity relationships that disrupt conventional knowledge, the implications of which on MB‐FUS platform design, safety, and nanomedicine delivery are discussed.
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 | 0,001 |
| 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 ».