How Biomaterials Can Influence Various Cell Types in the Repair and Regeneration of the Heart after Myocardial Infarction
Notice bibliographique
Résumé
The healthy heart comprises many different cell types that work together to preserve optimal function. However, in a diseased heart the function of one or more cell types is compromised which can lead to many adverse events, one of which is myocardial infarction (MI). Immediately after MI, the cardiac environment is characterized by excessive cardiomyocyte death and inflammatory signals leading to the recruitment of macrophages to clear the debris. Proliferating fibroblasts then invade, and a collagenous scar is formed to prevent rupture. Better functional restoration of the heart is not achieved due to the limited regenerative capacity of cardiac tissue. To address this, biomaterial therapy is being investigated as an approach to improve regeneration in the infarcted heart, as they can possess the potential to control cell function in the infarct environment and limit the adverse compensatory changes that occur post-MI. Over the past decade, there has been considerable research into the development of biomaterials for cardiac regeneration post-MI; and various effects have been observed on different cell types depending on the biomaterial that is applied. Biomaterial treatment has been shown to enhance survival, improve function, promote proliferation, and guide the mobilization and recruitment of different cells in the post-MI heart. This review will provide a summary on the biomaterials developed to enhance cardiac regeneration and remodeling post-MI with a focus on how they control macrophages, cardiomyocytes, fibroblasts, and endothelial cells. A better understanding of how a biomaterial interacts with the different cell types in the heart may lead to the development of a more optimized biomaterial therapy for cardiac regeneration.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».