Nanoparticules Chitosane-PEG-FA-ADN pour la thérapie génique non virale et application du gène de l’IL-1Ra dans un modèle expérimental d’arthrite rhumatoïde
Bibliographic record
Abstract
La thérapie génique représente l'un des défis de la médecine des prochaines décennies dont la réussite dépend de la capacité d'acheminer l'ADN thérapeutique jusqu'à sa cible. Des structures non virales ont été envisagées, dont le chitosane, polymère cationique qui se combine facilement à l’ADN. Une fois le complexe formé, l’ADN est protégé des nucléases qui le dégradent. Le premier objectif de l'étude est de synthétiser et ensuite évaluer différentes nanoparticules de chitosane et choisir la mieux adaptée pour une efficacité de transfection sélective in vitro dans les cellules carcinomes épidermoïdes (KB). Le deuxième objectif de l'étude est d'examiner in vivo les effets protecteurs du gène de l'IL-1Ra (bloqueur naturel de la cytokine inflammatoire, l’Interleukine-1β) complexé aux nanoparticules de chitosane sélectionnées dans un modèle d'arthrite induite par un adjuvant (AIA) chez le rat. Les nanoparticules varient par le poids moléculaire du chitosane (5, 25 et 50 kDa), et la présence ou l’absence de l’acide folique (FA). Des mesures macroscopiques de l’inflammation seront évaluées ainsi que des mesures de concentrations de l’Interleukine-1β, Prostaglandine E2 et IL-1Ra humaine secrétés dans le sérum. Les nanoparticules Chitosane-ADN en présence de l’acide folique et avec du chitosane de poids moléculaire de 25 kDa, permettent une meilleure transfection in vitro. Les effets protecteurs des nanoparticules contenant le gène thérapeutique étaient évidents suite à la détection de l’IL-1Ra dans le sérum, la baisse d'expressions des facteurs inflammatoires, l’Interleukine-1 et la Prostaglandine-E2 ainsi que la diminution macroscopique de l’inflammation. Le but de cette étude est de développer notre méthode de thérapie génique non virale pour des applications cliniques pour traiter l’arthrite rhumatoïde et d’autres maladies humaines.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".