Emerging vesicular nanosystems capable of effectively targeting hepatocytes
Notice bibliographique
Résumé
Liver indications are increasing in prevalence globally, with nanomedicines emerging as a potential treatment strategy. Hepatocytes play an important role in most liver diseases, making the ability to target these cells an important consideration in the development of therapeutics. Although nanomedicines administered intravenously do tend to accumulate in the liver thanks to its high blood flow, specifically targeting hepatocytes remains non-trivial due to several aspects of liver physiology. For example, hepatocytes are challenging to reach within the liver tissue due to limited fenestrae size in the liver vessels. Disease and age further reduce fenestration, meaning that optimal therapeutic effect is difficult to achieve. To overcome these obstacles, different nanomedicines have been rationally designed to possess optimized size and surface properties, along with hepatocyte-specific targeting ligands. This review discusses developments in vesicular nanotechnologies published in English since 2022, within the context of the unique challenges presented by hepatocyte delivery. The lipid nanoparticles, liposomes, niosomes, and lipid calcium phosphate nanoparticles discussed, from pre-clinical research to clinically approved treatments, represent significant advancements toward this goal. However, further challenges remain, and we expect to continue to see advancements in model development and novel nanosystems tailored for effectiveness in diseased states.
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) | 0,001 | 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 ».