Electrospun biomaterial scaffolds with varied topographies for neuronal differentiation of human‐induced pluripotent stem cells
Notice bibliographique
Résumé
In this study, we investigated the effect of micro and nanoscale scaffold topography on promoting neuronal differentiation of human induced pluripotent stem cells (iPSCs) and directing the resulting neuronal outgrowth in an organized manner. We used melt electrospinning to fabricate poly (ε-caprolactone) (PCL) scaffolds with loop mesh and biaxial aligned microscale topographies. Biaxial aligned microscale scaffolds were further functionalized with retinoic acid releasing PCL nanofibers using solution electrospinning. These scaffolds were then seeded with neural progenitors derived from human iPSCs. We found that smaller diameter loop mesh scaffolds (43.7 ± 3.9 µm) induced higher expression of the neural markers Nestin and Pax6 compared to thicker diameter loop mesh scaffolds (85 ± 4 µm). The loop mesh and biaxial aligned scaffolds guided the neurite outgrowth of human iPSCs along the topographical features with the maximum neurite length of these cells being longer on the biaxial aligned scaffolds. Finally, our novel bimodal scaffolds also supported the neuronal differentiation of human iPSCs as they presented both physical and chemical cues to these cells, encouraging their differentiation. These results give insight into how physical and chemical cues can be used to engineer neural tissue.
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 ».