Targeting macrophages with multifunctional nanoparticles to detect and prevent atherosclerotic cardiovascular disease
Notice bibliographique
Résumé
Despite the emergence of novel diagnostic, pharmacological, interventional, and prevention strategies, atherosclerotic cardiovascular disease remains a significant cause of morbidity and mortality. Nanoparticle (NP)-based platforms encompass diverse imaging, delivery, and pharmacological properties that provide novel opportunities for refining diagnostic and therapeutic interventions for atherosclerosis at the cellular and molecular levels. Macrophages play a critical role in atherosclerosis and therefore represent an important disease-related diagnostic and therapeutic target, especially given their inherent ability for passive and active NP uptake. In this review, we discuss an array of inorganic, carbon-based, and lipid-based NPs that provide magnetic, radiographic, and fluorescent imaging capabilities for a range of highly promising research and clinical applications in atherosclerosis. We discuss the design of NPs that target a range of macrophage-related functions such as lipoprotein oxidation, cholesterol efflux, vascular inflammation, and defective efferocytosis. We also provide examples of NP systems that were developed for other pathologies such as cancer and highlight their potential for repurposing in cardiovascular disease. Finally, we discuss the current state of play and the future of theranostic NPs. Whilst this is not without its challenges, the array of multifunctional capabilities that are possible in NP design ensures they will be part of the next frontier of exciting new therapies that simultaneously improve the accuracy of plaque diagnosis and more effectively reduce atherosclerosis with limited side effects.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».