Toxicological study of S-nitrosoglutathione loaded polymeric nanoparticles
Bibliographic record
Abstract
Les nanoparticules (NP) sont de plus en plus utilisées en médecine (imagerie, vectorisation de médicaments). Au sein de l’EA 3452, des NP polymériques chargées en donneurs d’oxyde nitrique •NO (S-nitrosoglutathion GSNO) sont développées afin d’améliorer la stabilité et la biodisponibilité de •NO. Le travail de thèse comprend 2 parties : premièrement : évaluer les effets des NP polymériques d’Eudragit® RL vides avec deux lignées cellulaires humaine (THP-1) et de rat (NR8383). La modification de l’expression de certains gènes impliqués dans des voies de souffrance cellulaire a été étudiée par RT-qPCR après 4h d’exposition aux NP. L’expression d’ATG16L, BCL2 et TNFA est augmentée dans NR8383, ce qui est en faveur d’une induction des processus autophagiques et inflammatoires. La diminution de l’expression de NCF1, NFKB et IL1B dans THP-1 peut expliquer l'augmentation de la viabilité et de la croissance cellulaires. Deuxièmement : évaluer les effets des mêmes NP chargées ou non en GSNO sur les THP-1 par une analyse des transcriptomes ce qui a montré une variation significative de l’expression des gènes associés aux clusters « prolifération », « structure cellulaire » pour les NP vides et « mitochondrie », « processus métabolique » pour les NP chargées en GSNO. Ces résultats sont cohérents avec ceux des tests cellulaires. L’analyse du transcriptome obtenu avec le GSNO libre a permis de proposer un mécanisme d’activation de l’immunité non spécifique contre Leishmania au sein du macrophage. Ainsi, l’étude génomique devient un outil indispensable pour mieux comprendre les interactions entre les NP et les cellules et a ainsi toute sa place en toxicologie
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".