Ex-vivo mRNA therapy to predict kidney vitality during transplantation
Notice bibliographique
Résumé
High-risk kidneys have been used for transplantation due to the big gap between supply and demand for kidney transplantation, which sometimes exhibit unexpected prognosis. Presently, it is still a great challenge to predict the function and metabolic activity of the marginal kidneys for rational preselection in the clinic. Here we utilize non-invasive biodegradable nanoparticles as mRNA carriers to delivery and assess ex-vivo kidney viability and metabolic activity, and finally predict the quality of a donor kidney on a cellular basis for transplantation. The in vitro performance of lipid nanoparticles (LNPs) for mRNA delivery were screened and validated in HKC-8 cells. Particles loaded with self-quenching dye-conjugated oligos or reporter mRNAs were administered through normothermic machine perfusion system and real-time monitored non-invasively by near infrared (NIF) camera. We hypotheses the uptake and translation are active behaviours of live cells, where only metabolically active cells can emit reporter signal. Data have shown the accumulation of nanoparticles in pig kidneys and successfully detection of fluorescent signals predominantly in cortex by real-time imaging during ex-vivo perfusion. The delivery of reporter mRNA through developed lipid nanoparticle have shown significant mRNA expression both in vitro and ex-vivo in pig kidneys. The correlation studies to distinguish healthy vs damaged kidneys will be further investigated. We envision that the strategy can potentiate the application to various diseases and target tissues.
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 | 0,001 | 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) | 0,002 | 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 ».