Nanoparticle-Mediated mRNA Delivery to Triple-Negative Breast Cancer (TNBC) Patient-Derived Xenograft (PDX) Tumors
Notice bibliographique
Résumé
mRNA-based therapies can overcome several challenges faced by traditional therapies in treating a variety of diseases by selectively modulating genes and proteins without genomic integration. However, due to mRNA's poor stability and inherent limitations, nanoparticle (NP) platforms have been developed to deliver functional mRNA into cells. In cancer treatment, mRNA technology has multiple applications, such as restoration of tumor suppressors and activating antitumor immunity. Most of these applications have been evaluated using simple cell-line-based tumor models, which failed to represent the complexity, heterogeneity, and 3D architecture of patient tumors. This discrepancy has led to inconsistencies and failures in clinical translation. Compared to cell line models, patient-derived xenograft (PDX) models more accurately represent patient tumors and are better suitable for modeling. Therefore, for the first time, this study employed two different TNBC PDX tumors to examine the effects of the mRNA-NPs. mRNA-NPs are developed using EGFP-mRNA as a model and studied in TNBC cell lines, ex vivo TNBC PDX organotypic slice cultures, and in vivo TNBC PDX tumors. Our findings show that NPs can effectively accumulate in tumors after intravenous administration, protecting and delivering mRNA to PDX tumors with different genetic and chemosensitivity backgrounds. These studies offer more clinically relevant modeling systems for mRNA nanotherapies in cancer 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».