MétaCan
Menu
Retour à la cohorte
Enregistrement W2766564728 · doi:10.3390/mi8110324

Cell Migration Research Based on Organ-on-Chip-Related Approaches

2017· review· en· W2766564728 sur OpenAlexafffund
Xiaoou Ren, David B. Levin, Francis Lin

Notice bibliographique

RevueMicromachines · 2017
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Manitoba
Mots-clésCell migrationMicrofluidicsMicrofluidic chipOrgan-on-a-chipCellIn vivoCell biologyBiologyNanotechnologyMaterials scienceBiotechnology

Résumé

récupéré en direct d'OpenAlex

Microfluidic devices have been widely used for cell migration research over the last two decades, owing to their attractive features in cellular microenvironment control and quantitative single-cell migration analysis. However, the majority of the microfluidic cell migration studies have focused on single cell types and have configured microenvironments that are greatly simplified compared with the in-vivo conditions they aspire to model. In addition, although cell migration is considered an important target for disease diagnosis and therapeutics, very few microfluidic cell migration studies involved clinical samples from patients. Therefore, more sophisticated microfluidic systems are required to model the complex in-vivo microenvironment at the tissue or organ level for cell migration studies and to explore cell migration-related clinical applications. Research in this direction that employs organ-on-chip-related approaches for cell migration analysis has been increasingly reported in recent years. In this paper, we briefly introduce the general background of cell migration and organ-on-chip research, followed by a detailed review of specific cell migration studies using organ-on-chip-related approaches, and conclude by discussing our perspectives of the challenges, opportunities and future directions.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,963
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,003

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 Opus0,283
Tête enseignante GPT0,416
Écart entre enseignants0,133 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMicromachinesMême sujet3D Printing in Biomedical ResearchTravaux en français237 207