Nerve growth factor improves ligament healing
Notice bibliographique
Résumé
Previous work has shown that innervation participates in normal ligament healing. The present study was performed to determine if exogenous nerve growth factor (NGF) would improve the healing of injured ligament by promoting reinnervation, blood flow, and angiogenesis. Two groups of 30 Sprague-Dawley rats underwent unilateral medial collateral ligament transection (MCL). One group was given 10 microg NGF and the other was given PBS via osmotic pump over 7 days after injury. After 7, 14, and 42 days, in vivo blood flow was measured using laser speckle perfusion imaging (LSPI). Morphologic assessments of nerve density, vascularity, and angiogenesis inhibitor production were done in three animals at each time point by immunohistochemical staining for the pan-neuronal marker PGP9.5, the endothelial marker vWF, and the angiogenesis inhibitor thrombospondin-2 (TSP-2). Ligament scar material and structural mechanical properties were assessed in seven rats at each time point. Increased nerve density was promoted by NGF at both 14 and 42 days. Exposure to NGF also led to increased ligament vascularity, as measured by histologic assessment of vWF immunohistochemistry, although LSPI-measured blood flow was not significantly different from controls. NGF treatment also led to decreased expression of TSP-2 at 14 days. Mechanical testing revealed that exposure to NGF increased failure load by 40%, ultimate tensile strength by 55%, and stiffness by 30% at 42 days. There were no detectable differences between groups in creep properties. The results suggest that local application of NGF can improve ligament healing by promoting both reinnervation and angiogenesis, and results in scars with enhanced mechanical properties.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».