MétaCan
Menu
Retour à la cohorte
Enregistrement W2769521653 · doi:10.1002/adhm.201700734

Multilineage Constructs for Scaffold‐Based Tissue Engineering: A Review of Tissue‐Specific Challenges

2017· review· en· W2769521653 sur OpenAlexaff
Timothée Baudequin, Maryam Tabrizian

Notice bibliographique

RevueAdvanced Healthcare Materials · 2017
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésTissue engineeringScaffoldRegeneration (biology)Tissue cultureIn vitroTissue repairNative tissueComputer scienceCell biologyBiologyBiomedical engineeringEngineeringBiochemistry

Résumé

récupéré en direct d'OpenAlex

There is a growing interest in the regeneration of tissue in interfacial regions, where biological, physical, and chemical attributes vary across tissue type. The simultaneous use of distinct cell lineages can help in developing in vitro structures, analogous to native composite tissues. This literature review gathers the recent reports that have investigated multiple cell types of various sources and lineages in a coculture system for tissue-engineered constructs. Such studies aim at mimicking the native organization of tissues and their interfaces, and/or to improve the development of complex tissue substitutes. This paper thus distinguishes itself from those focusing on technical aspects of coculturing for a single specific tissue. The first part of this review is dedicated to variables of cocultured tissue engineering such as scaffold, cells, and in vitro culture environment. Next, tissue-specific coculture methods and approaches are covered for the most studied tissues. Finally, cross-analysis is performed to highlight emerging trends in coculture principles and to discuss how tissue-specific challenges can inspire new approaches for regeneration of different interfaces to improve the outcomes of various tissue engineering strategies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,189
Tête enseignante GPT0,454
Écart entre enseignants0,265 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations39
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Healthcare MaterialsMême sujet3D Printing in Biomedical ResearchTravaux en français237 207