Lipid nanoparticles and siRNA targeting plasminogen provide lasting inhibition of fibrinolysis in mouse and dog models of hemophilia A
Notice bibliographique
Résumé
Antifibrinolytic drugs are used extensively for on-demand treatment of severe acute bleeding. Controlling fibrinolysis may also be an effective strategy to prevent or lessen chronic recurring bleeding in bleeding disorders such as hemophilia A (HA), but current antifibrinolytics have unfavorable pharmacokinetic profiles. Here, we developed a long-lasting antifibrinolytic using small interfering RNA (siRNA) targeting plasminogen packaged in clinically used lipid nanoparticles (LNPs) and tested it to determine whether reducing plasmin activity in animal models of HA could decrease bleeding frequency and severity. Treatment with the siRNA-carrying LNPs reduced circulating plasminogen and suppressed fibrinolysis in wild-type and HA mice and dogs. In HA mice, hemostatic efficacy depended on the injury model; plasminogen knockdown improved hemostasis after a saphenous vein injury but not tail vein transection injury, suggesting that saphenous vein injury is a murine bleeding model sensitive to the contribution of fibrinolysis. In dogs with HA, LNPs carrying siRNA targeting plasminogen were as effective at stabilizing clots as tranexamic acid, a clinical antifibrinolytic, and in a pilot study of two dogs with HA, the incidence of spontaneous or excess bleeding was reduced during 4 months of prolonged knockdown. Collectively, these data demonstrate that long-acting antifibrinolytic therapy can be achieved and that it provides hemostatic benefit in animal models of HA.
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 | 0,001 | 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 | 0,001 |
| 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 ».