3D electron microscopy for analyzing nanoparticles in the tumor endothelium
Notice bibliographique
Résumé
Delivering medical agents to diseased tissues has been challenging, leading researchers to study the in vivo transport process in the body for improving delivery. Many imaging techniques exist for mapping the distribution of medical agent-carrying nanoparticles in tissues, but they cannot capture the three-dimensional context of tissues with single nanoparticle resolution. Here, we developed 3DEM-NPD, a three-dimensional electron microscopy (3D EM) machine learning strategy to image and map single nanoparticle distributions (NPD) in tissues. 3DEM-NPD provides unbiased visualization and quantification of individual nanoparticles within organs. We applied this technique to quantify nanoparticle transport through tumor blood vessel endothelial cells. We measured the cell diameter, surface area, and volume and found that traditional 2D EM cannot accurately measure these features. We used machine learning to locate over 550,000 nanoparticles in less than 3 h with an accuracy of over 82%. The 3DEM-NPD method allowed us to establish a metric to quantify nanoparticle transport at the single nanoparticle level and to quantify the morphological features of ~2,800 vesicles. We find that on average there are only 2.4 nanoparticles per vesicle with a theoretical maximum of 158 nanoparticles per vesicle (~66x increase). These surprising results suggest the need to increase vesicle encapsulation efficiency for improved transport and they provide a benchmark for increasing nanoparticle transport and delivery. This technique may provide unique insights into the interactions between medical agents, drug carriers, emerging materials, and cells at the single-nanoparticle level throughout tissues.
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 | 0,000 | 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 ».