Nose-to-brain delivery of lithium via a sprayable in situ-forming hydrogel composed of chelating starch nanoparticles
Notice bibliographique
Résumé
While bipolar disorder patients can benefit from lithium therapy, high levels of lithium in the serum can induce undesirable systemic side effects. Intranasal (IN) lithium delivery offers a potential solution to this challenge given its potential to facilitate improved lithium transport to brain when delivered to the olfactory mucosa. Herein, a sprayable, in situ forming nanoparticle network hydrogel (NNH) based on Schiff base interactions between chelator-functionalized oxidized starch nanoparticles (SNPs) and carboxymethyl chitosan (CMCh) is reported that can be deployed within the nasal cavity to release ultra-small penetrative SNPs over time. Chelating functional groups including citrate, ethylenediaminetetraacetic acid, and pentetic acid are shown to bind a variety of cations including lithium, magnesium, and calcium, with chelation directly linked to enhancements in the gel mechanics even for monovalent lithium. The hydrogels show high in vitro cytocompatibility with mouse striatal neuron and human primary nasal cell lines. Effective IN delivery of lithium to the brain is demonstrated for the first time, with both solution-based and hydrogel-loaded lithium showing in vivo efficacy in an amphetamine-induced pre-clinical rat bipolar manic phase model; specifically, IN-delivered NNHs can maintain successful attenuation of locomotor activity for up to 6 h while all other tested treatments (drug-only IN or conventional intraperitoneal delivery) failed to retain attenuation for more than two hours at the same lithium dose. As such, in situ-gelling and ion-chelating NNHs represent a new material that can effectively enable metal ion management in biomedical applications.
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) | 0,001 | 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 ».