The careful selection of zwitterionic nanoparticle coating results in rapid and efficient cell labeling for imaging‐based cell tracking
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
Abstract The increased clinical application of cell‐based therapies has resulted in a parallel increase in the need for non‐invasive imaging‐based approaches for cell tracking, often through labeling with nanoparticles. An ideal nanoparticle for such applications must be biologically compatible as well as readily internalized by cells to ensure adequate and stable cell loading. Surface coatings have been used to make nanoparticle trackers suitable for these purposes, but those currently employed tend to have cytotoxic effects. Zwitterionic ligands are known to be biocompatible and antifouling; however, head‐to‐head evaluation of specific zwitterionic ligands for cell loading has not yet been explored. Magnetic particle imaging (MPI) detects superparamagnetic iron oxide nanoparticles (SPIONs) using time‐varying magnetic fields. Because MPI can produce high‐contrast, real‐time images with no tissue depth limitation, it is an ideal candidate for in vivo cell tracking. In this work, we have conjugated hard (permanently charged) and soft (pKa‐dependently charged) biomimetic zwitterionic ligands to SPIONs and characterized how these ligands changed SPION physicochemical properties. We have evaluated cellular uptake and subcellular localization between zwitterions, how the improvement in cell uptake generated stronger MPI signal for smaller numbers of cells, and how these cells can be tracked in an animal model with greater sensitivity for longer periods of time. Our best‐performing surface coating afforded high cell loading within 4 h, with full signal retention in vivo over 7 days.
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 | 0,000 | 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 découle