MétaCan
Menu
Retour à la cohorte
Enregistrement W2080185046 · doi:10.1039/b918291h

Microfluidic devices for cell based high throughput screening

2009· article· en· W2080185046 sur OpenAlexafffund
Sarvesh Upadhyaya, P. Ravi Selvaganapathy

Notice bibliographique

RevueLab on a Chip · 2009
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMicrofluidicsThroughputHigh-throughput screeningNanotechnologyComputer scienceComputational biologyEngineeringBiologyMaterials scienceBioinformaticsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Cell based screening assays are increasingly used in drug discovery due to the physiological significance of the results and high content information obtained from them. Miniaturization of this format, currently carried out in microwell plates, is at its limit due to increased unnatural interaction of cells with walls inside micro-wells. In order to overcome this limitation, we present a new format for dynamically controlled, precise, spatial and temporal dosing of a continuous cell culture layer, using microfluidics. The device consists of a micropatterned nanoporous membrane layer that allows specific spatial locations in the continuous gel layer above, to be chemically addressed by external electric field through a microfluidic network below it. We demonstrate that the control of electric field across the nanoporous membrane leads to extremely precise dosing (approximately 50 microg accuracy). Spot sizes of 200 microm to 6 mm in diameter and inter-spot distances of 0.4-10 mm have been obtained. Microarray spot densities of 156 spots/cm(2) were obtained, which is five times higher than the densities used in current cell based assays. The capability of this method in handling small molecules, proteins and drugs is also demonstrated. This format of spatial dosing of continuous cell culture will enable further miniaturization of cell based assays and aid in high-throughput high-content screening.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,347
Score d'incertitude au seuil0,504

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,274
Écart entre enseignants0,252 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations47
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujet3D Printing in Biomedical ResearchTravaux en français237 207