Cationic lipopolymer based siRNA delivery for experimental lung cancer treatment
Notice bibliographique
Résumé
Conventional therapeutic approaches often struggle to address "undruggable" or intracellular targets, limiting their effectiveness in treating critical diseases. RNA interference (RNAi), particularly through the delivery of short interfering RNAs (siRNAs), has emerged as a promising alternative. In this study, we evaluated the potential of a series of cationic lipopolymers, including ALL-Fect, Leu-Fect, and Prime-Fect, for delivering siRNAs targeting CDC20, Survivin, and STAT5 in lung cancer cell models. These polymers exhibited strong siRNA binding (BC50: 0.17 ± 0.04 to 1.67 ± 0.31) and dissociation (DC50: 57.9 to 13.6 U/mL) properties, forming nanoparticles with ζ-potential of -15 to +23 mV, and particles sizes of 150 to 400 nm suitable for efficient cellular uptake, achieving over 75 % FAM-positive cell populations in lung cancer cells. Remarkably, these complexes demonstrated significant cell killing effects with specific siRNAs even at a low siRNA concentration (20 nM), with maximal effects observed at a polymer/siRNA ratio of 5:1 ratio and 40 nM siRNA concentration, resulting in over 75 % cell killing. The performance of lipid nanoparticles (LNPs) for the delivery of the specific siRNAs was minimal compared to the lipopolymeric carriers under similar conditions. These findings underscore the potential of lipopolymers as safe and effective non-viral vectors for siRNA-based lung cancer therapeutics.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».