Injectable hydrogels for central nervous system therapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diseases and injuries of the central nervous system (CNS) including those in the brain, spinal cord and retina are devastating because the CNS has limited intrinsic regenerative capacity and currently available therapies are unable to provide significant functional recovery. Several promising therapies have been identified with the goal of restoring at least some of this lost function and include neuroprotective agents to stop or slow cellular degeneration, neurotrophic factors to stimulate cellular growth, neutralizing molecules to overcome the inhibitory environment at the site of injury, and stem cell transplant strategies to replace lost tissue. The delivery of these therapies to the CNS is a challenge because the blood-brain barrier limits the diffusion of molecules into the brain by traditional oral or intravenous routes. Injectable hydrogels have the capacity to overcome the challenges associated with drug delivery to the CNS, by providing a minimally invasive, localized, void-filling platform for therapeutic use. Small molecule or protein drugs can be distributed throughout the hydrogel which then acts as a depot for their sustained release at the injury site. For cell delivery, the hydrogel can reduce cell aggregation and provide an adhesive matrix for improved cell survival and integration. Additionally, by choosing a biodegradable or bioresorbable hydrogel material, the system will eventually be eliminated from the body. This review discusses both natural and synthetic injectable hydrogel materials that have been used for drug or cell delivery to the CNS including hyaluronan, methylcellulose, chitosan, poly(N-isopropylacrylamide) and Matrigel.
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.
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) | 0,002 | 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 | 0,001 | 0,000 |
| 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 découle