Comprehensive analysis of the tumor targeting efficiency of functionalized nanoparticles in an immunocompetent environment
Notice bibliographique
Résumé
The success of nanoparticle-based cancer therapeutics relies on their efficient tumor uptake and retention. Given this, improving nanoparticle localization in tumors is paramount to maximize their therapeutic potential. A common approach to achieve this is to functionalize nanoparticles with active targeting moieties that bind to specific tumor-associated receptors. Among these, arginine-glycine-aspartic acid (RGD) peptides have shown a potential to promote tumor accumulation by targeting the α ν β 3 integrin receptor, a receptor commonly overexpressed by tumors owing to its role in promoting angiogenesis, metastasis and proliferation. Yet, its efficacy is commonly assessed using immunocompromised mice models. While useful, these models do not accurately account for immune-related interactions, which could lead to an overestimation of targeting efficacy. In our study, we investigated the efficacy of RGD peptides to improve the tumor accumulation of PEGylated gold nanoparticles (GNPs) using an immunocompetent mouse model. While RGD functionalization increased GNP uptake in cancer cells in vitro, it significantly reduced tumor accumulation in vivo due to enhanced off-target clearance by the mononuclear phagocyte system, with elevated accumulation in the spleen and liver. These findings highlight that RGD functionalization can promote immune-driven clearance in vivo, despite improving GNP uptake in cancer cells in vitro, emphasizing the importance of assessing targeting strategies in immunocompetent models for more physiologically relevant assessments.
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) | 0,001 | 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 ».