MétaCan
Menu
Retour à la cohorte
Enregistrement W4412490609 · doi:10.1007/s13346-025-01922-9

Intranasal delivery of engineered anti-SARS-CoV-2 extracellular vesicles therapeutically represses lung infection and inflammation

2025· article· en· W4412490609 sur OpenAlexfundno aff
Adi Idris, Surya Shrivastava, Wenqing Gao, Aroon Supramaniam, Yaman Tayyar, Nicholas P. West, Gabrielle Kelly, Dhruba Acharya, Nigel A.J. McMillan, Kevin V. Morris

Notice bibliographique

RevueDrug Delivery and Translational Research · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueExtracellular vesicles in disease
Établissements canadiensnon disponible
Organismes subventionnairesInstitute of Infection and ImmunityNational Science CouncilQueensland University of TechnologyNational Institute of Mental HealthUniversität Basel
Mots-clésTetraspaninNasal administrationIn vivoImmune systemHEK 293 cellsBiologyIn vitroFusion proteinMicrovesiclesInflammationReceptorCell biologyVirologyImmunologyCellRecombinant DNAGeneBiochemistry

Résumé

récupéré en direct d'OpenAlex

Extracellular vesicles (EVs) are amenable to genetic engineering in that EVs can be endowed with surface armaments that can directly bind to target molecules or receptors. We previously developed HEK293 cell-derived EVs that contain a novel fusion tetraspanin protein, CD63, embedded within a highly conserved anti-SARS-CoV-2 nanobody, VHH72. These anti-SARS-CoV-2-enriched EVs bind SARS-CoV-2 spike protein and can functionally neutralize SARS-CoV-2 in vitro. Here, we extend our observations in vivo using EVs derived from neural stem cells (NSCs) and demonstrated the antiviral effectiveness of these direct-acting EVs in the lungs of SARS-CoV-2 infected mice when administered intranasally post-infection. Using NanoString-based immune transcriptomics we showed that these EVs exert mild anti-inflammatory effects on SARS-CoV-2 infected lungs. This is the first demonstration of the effective use of intranasally delivered EVs ladened with anti-SARS-CoV-2 nanobodies in vivo.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,321
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrug Delivery and Translational ResearchMême sujetExtracellular vesicles in diseaseTravaux en français237 207