MétaCan
Menu
Retour à la cohorte
Enregistrement W2113241079 · doi:10.1002/jbm.b.33285

Novel genipin‐collagen immobilization of polylactic acid (PLA) fibers for use as tissue engineering scaffolds

2014· article· en· W2113241079 sur OpenAlexaff
Nisarg Tambe, Jin Di, Ze Zhang, Susan H. Bernacki, Ahmed El‐Shafei, Martin W. King

Notice bibliographique

RevueJournal of Biomedical Materials Research Part B Applied Biomaterials · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectrospun Nanofibers in Biomedical Applications
Établissements canadiensUniversité Laval
Organismes subventionnairesNational Science Foundation
Mots-clésGenipinTissue engineeringSurface modificationAdhesionPolylactic acidCell adhesionChemistryExtracellular matrixBiocompatible materialNanotechnologyMaterials scienceBiomedical engineeringBiochemistryPolymerChitosanOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The material surface plays an important role in the case of biomaterials used as tissue engineering scaffolds. On exposure to a biological environment, extra cellular matrix (ECM) proteins are adsorbed non-specifically onto the surface and cells interact indirectly with the surface through the adsorbed proteins. Most synthetic polymeric biomaterials lack the desirable surface properties for cells as well as have poor cellular adhesion due to their hydrophobic nature. The main objective of this study was to harness surface functionalization technologies to fabricate scaffolds that would be biocompatible and support the adhesion and proliferation of fibroblast cells. The collagen was immobilized on the surface of functionalized PLA via a novel natural cross-linking molecule genipin which resulted in improved cell proliferation of human dermal fibroblasts as compared to the PLA surface coated with collagen without genipin. It is believed that genipin helps reduce steric problems between the functional groups and large protein molecules, and enables immobilized peptide to move more freely in a biological environment.

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)0,010
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,038
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
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 Opus0,039
Tête enseignante GPT0,338
Écart entre enseignants0,298 · 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.

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

Citations33
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Biomedical Materials Research Part B Applied BiomaterialsMême sujetElectrospun Nanofibers in Biomedical ApplicationsTravaux en français237 207