MétaCan
Menu
Retour à la cohorte
Enregistrement W2316391459 · doi:10.1021/bm5002813

Microfluidic Generation of Composite Biopolymer Microgels with Tunable Compositions and Mechanical Properties

2014· article· en· W2316391459 sur OpenAlexafffund
Mokit Chau, Milad Abolhasani, Héloïse Thérien‐Aubin, Yang Li, Yihe Wang, Diego Velasco, Ethan Tumarkin, Arun Ramachandran, Eugenia Kumacheva

Notice bibliographique

RevueBiomacromolecules · 2014
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of New BrunswickUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGelatinBiopolymerSelf-healing hydrogelsMicrofluidicsAgaroseDispersityPolymerChemical engineeringCell encapsulationNanotechnologyChemistryExtracellular matrixTissue engineeringComposite numberBiocompatibilityMaterials sciencePolymer chemistryBiomedical engineeringOrganic chemistryChromatographyComposite materialBiochemistry

Résumé

récupéré en direct d'OpenAlex

To develop an understanding of the nature of complex, spatiotemporal interactions between cells and the extracellular matrix (ECM), artificial ECMs formed from hydrogels with a particular spectrum of properties are being developed at a rapid pace. We report the microfluidic generation of small, monodisperse composite agarose-gelatin hydrogel modules (microgel particles) that can be used for cell encapsulation and can serve as instructive cellular microenvironments. The agarose component of the microgels gelled under reduced temperature, while gelatin modified with phenolic hydroxyl groups underwent peroxidase-catalyzed gelation. Microgel composition, structure, morphology, and rigidity were tuned in a high-throughput manner. The results of this work are important for the generation of libraries of cell-laden polymer microgels for single-cell analysis, tissue engineering, and fundamental studies of the role of local microenvironments in cell fate.

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 enseignants0,014
Score d'incertitude au seuil0,402

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 Opus0,021
Tête enseignante GPT0,220
Écart entre enseignants0,199 · 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

Citations37
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomacromoleculesMême sujet3D Printing in Biomedical ResearchTravaux en français237 207