Native PEG–PLGA Attenuates β-Amyloid Aggregation and Toxicity under <i>In Vitro</i> Conditions
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Self-aggregation of amyloid-β (Aβ) peptide plays a key role in the pathogenesis of Alzheimer’s disease (AD), the most prevalent cause of dementia affecting the elderly population. The development of an effective treatment for AD pathology remains elusive due to the presence of the blood-brain barrier (BBB) and the heterogeneous nature of disease progression. Recently, we reported that FDA-approved native poly( d, l -lactic- co -glycolic acid) (PLGA) nanoparticles without any conjugated/encapsulated agent can attenuate Aβ aggregation/toxicity in cellular and animal models of AD. Given the limitation associated with the fast clearance of the native PLGA by the reticuloendothelial system (RES), in the present study, we synthesized PEGylated native PLGA nanoparticles (PEG–PLGA-1) to reduce their clearance via the RES and evaluated their effects on Aβ aggregation/toxicity after biochemical and structural characterization. Determined with Thioflavin T kinetic assay, dynamic light scattering and fluorescence imaging, it was revealed that the native PEG–PLGA-1, which exhibits increased stability, not only inhibits the aggregation of Aβ peptides, but also triggers the disassembly of Aβ aggregates. Additionally, we showed that PEG–PLGA-1 are nontoxic and can significantly enhance the viability of mouse primary cortical cultured neurons against Aβ-mediated toxicity. Collectively, these results suggest that native PEG–PLGA-1 nanoparticles can inhibit Aβ aggregation and trigger disassembly of Aβ aggregates and can protect neurons against Aβ-mediated toxicity, thus suggesting their unique therapeutic potential in the treatment of AD pathology.
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) | 0,000 | 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 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 ».