In situ-gelling hydrophobized starch nanoparticle-based nanoparticle network hydrogels for the effective delivery of intranasal olanzapine to treat brain disorders
Notice bibliographique
Résumé
Intranasal (IN) delivery offers potential to deliver antipsychotic drugs with improved efficacy to the brain. However, the solubilization of such drugs and the frequency of required re-application both represent challenges to its practical implementation in treating various mental illnesses including schizophrenia. Herein, we report a sprayable nanoparticle network hydrogel (NNH) consisting of hydrophobically-modified starch nanoparticles (SNPs) and mucoadhesive chitosan oligosaccharide lactate (COL) that can gel in situ within the nasal cavity and release ultra-small penetrative SNPs over time. Hydrophobization of the SNPs enables enhanced uptake and prolonged release of poorly water soluble drugs such as olanzapine from the NNH depot through mucous and ultimately into the brain via the nose-to-brain (N2B) pathway. The hydrogel shows high in vitro cytocompatibility in mouse striatal neuron and human primary nasal cell lines and in vivo efficacy in an amphetamine-induced pre-clinical rat schizophrenia model, with IN-delivered NNH hydrogels maintaining successful attenuation of locomotor activity for up to 4 h while all other tested treatments (drug-only IN or conventional intraperitoneal delivery) failed to attenuate at any time point past 0.5 h. As such, in situ-gelling NNHs represent a safe excipient for the IN delivery of hydrophobic drugs directly to the brain using customized SNPs that exhibit high penetration and drug complexing properties to maximize effective drug delivery.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».