Histopaque provides optimal mouse islet purification kinetics: Comparison study with Ficoll, iodixanol and dextran
Notice bibliographique
Résumé
Islet transplantation has become a very promising treatment for type 1 diabetes. To facilitate further clinical improvements in this exciting field, rodent islets are used to evaluate new strategies and modifications. One method to purify islets is on a density gradient, although the optimal gradient component can be debated. N=6 separate mouse islet isolations were used and the resulting islets were separated and purified on either a Ficoll, Histopaque, Dextran or Iodixanol gradient. Islets were assessed for recovery, viability, purity and in vitro functionality. Aliquots were transplanted into diabetic mice to assess in vivo functionality and survival. There was no difference in the number of islets recovered across groups nor in the size of recovered islets. Use of a Ficoll or Histopaque gradient led to the most pure and viable islets in comparison to Dextran and Iodixanol. Functionally, islets isolated on a Ficoll gradient had the highest glucose-stimulated insulin release in vitro while performing equally to Histopaque and Dextran gradients in vivo. Using a Ficoll gradient, however, comes at a higher monetary cost. We recommend using a Histopaque gradient, which led to the isolation of viable and functional islets with a reduced cost as compared to a Ficoll gradient.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».