Formulation of siRNA nanoparticles, transfection and enhanced adhesion -penetration in nasal mucosal tissue
Notice bibliographique
Résumé
This study investigates the efficacy of trimethyl chitosan (TMC) nanoparticles (NPs) for the delivery of small interfering RNA (siRNA) targeting the EGFR gene, with a focus on optimizing complexation efficiency, release profiles, and transfection efficiency, as well as investigating mucoadhesion and mucopenetration properties. TMC nanoparticles were formulated at various siRNA:TMC weight-to-weight (w:w) ratios and assessed for binding efficiency, release in the presence of heparin, physical properties, cytotoxicity, and EGFR knockdown efficiency in HeLa cells. The integration of additives such as dextran sulfate (DS), tripolyphosphate (TPP), and hyaluronic acid (HA) was explored to enhance nanoparticle performance. Results demonstrated that higher TMC ratios improved siRNA binding and reduced release rates, with additives further stabilizing the nanoparticles. The optimized formulations showed high cell viability and significant EGFR silencing, indicating effective transfection. Mucoadhesion and mucopenetration two-photon microscopy studies on rabbit nasal mucosa confirmed the superior performance of TMC nanoparticles over free siRNA, highlighting their potential for non-invasive gene therapy 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».