MétaCan
Menu
Retour à la cohorte
Enregistrement W2531688510 · doi:10.5772/63765

How Plasma Membrane and Cytoskeletal Dynamics Influence Single-Cell Wound Healing: Mechanotransduction, Tension and Tensegrity

2016· book-chapter· en· W2531688510 sur OpenAlexaff
Éric Boucher, Tatsuya Kato, Craig A. Mandato

Notice bibliographique

RevueInTech eBooks · 2016
Typebook-chapter
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCellular Mechanics and Interactions
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésTensegrityCytoskeletonMechanotransductionCell biologyCellWound healingCell membraneMembraneChemistryBiologyStructural engineeringImmunologyEngineeringBiochemistry

Résumé

récupéré en direct d'OpenAlex

Organisms are able to recover from injuries by replacing damaged tissues, which recover by replacing damaged cells and extracellular structures. Similarly, a cell recovers from injuries by replacing damaged components of its structural integrity: its plasma membrane and cytoskeletal structures. Cells can be thought of as tensegral structures, their structural integrity relying on the interplay between tensile forces generated within and without the cell, and the compressive elements that counteracts them. As such, direct or indirect insults to the plasma membrane or cytoskeleton of a cell may not only result in the temporary loss of structural integrity, but also directly impact its ability to respond to its environment. This chapter will focus on the various aspects linking tensile forces and single-cell wound healing: where and how are they generated, how does the cell counteract them and how does the cell return to its previous tensegrity state? These questions will be explored using ubiquitous and cell-type specific examples of single-cell repair processes. Special attention will be given to changes in plasma membrane composition and area to cytoskeletal dynamics, and how these factor each other to influence and effect single-cell repair.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,185
Score d'incertitude au seuil1,000

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 recherche0,0010,000
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 Opus0,012
Tête enseignante GPT0,209
Écart entre enseignants0,197 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInTech eBooksMême sujetCellular Mechanics and InteractionsTravaux en français237 207