Simvastatin-Loaded Polymeric Nanoparticles: Targeting Inflammatory Macrophages for Local Adipose Tissue Browning in Obesity Treatment
Notice bibliographique
Résumé
Obesity is defined as chronic, low-grade inflammation within specific tissues. Given the escalating prevalence of obesity among individuals of all ages, obesity has reached epidemic proportions, posing an important public health challenge. Despite significant advancements in treating obesity, conventional approaches remain largely ineffective or involve severe side effects, thus underscoring the pressing need to explore and develop treatment approaches. Targeted and local immunomodulation using nanoparticles (NPs) can influence fat production and utilization processes. Statins, known for their anti-inflammatory properties, show the potential for mitigating obesity-related inflammation. A localized delivery option offers several advantages over oral and parenteral delivery methods. Here, we developed simvastatin (Sim) encapsulated within PLGA NPs (Sim-NP) for localized delivery of Sim to adipose tissues (ATs) for immunomodulation to treat obesity. In vitro experiments revealed the strong anti-inflammatory effects of Sim-NPs, which resulted in enhanced modulation of macrophage (MΦ) polarization and induction of AT browning. We then extended our investigation to an in vivo mouse model of high-fat-diet (HFD)-induced obesity. Sim-NP administration led to the controlled release of Sim within AT, directly impacting MΦ activity and inducing AT browning while inducing weight loss. Our findings demonstrated that Sim-NP administration effectively inhibited the progression of obesity-related inflammation, controlled white fat production, and enhanced AT modulation. These results highlight the potential of Sim-NP as a potent nanotherapy for treating obesity by modulating the immune system.
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 | 0,000 |
| 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 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 ».