MétaCan
Menu
Retour à la cohorte
Enregistrement W2033747672 · doi:10.1016/j.btre.2014.12.002

Modelling and simulation of the chondrocyte cell growth, glucose consumption and lactate production within a porous tissue scaffold inside a perfusion bioreactor

2014· article· en· W2033747672 sur OpenAlexafffund
Shakhawath Hossain, Donald J. Bergstrom, Daniel Chen

Notice bibliographique

RevueBiotechnology Reports · 2014
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSaskatchewan Health Research Foundation
Mots-clésBioreactorScaffoldBiomedical engineeringChondrocytePerfusionBiological systemTissue engineeringProcess (computing)BiophysicsCell cultureChemistryMaterials scienceBiochemical engineeringComputer scienceBiologyBiochemistryEngineeringIn vitroInternal medicine

Résumé

récupéré en direct d'OpenAlex

Mathematical and numerical modelling of the tissue culture process in a perfusion bioreactor is able to provide insight into the fluid flow, nutrients and wastes transport, dynamics of the pH value, and the cell growth rate. Knowing the complicated interdependence of these processes is essential for optimizing the culture process for cell growth. This paper presents a resolved scale numerical simulation, which allows one not only to characterize the supply of glucose inside a porous tissue scaffold in a perfusion bioreactor, but also to assess the overall culture condition and predict the cell growth rate. The simulation uses a simplified scaffold that consists of a repeatable unit composed of multiple strands. The simulation results explore some problematic regions inside the simplified scaffold where the concentration of glucose becomes lower than the critical value for the chondrocyte cell viability and the cell growth rate becomes significantly reduced.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,236
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiotechnology ReportsMême sujet3D Printing in Biomedical ResearchTravaux en français237 207