MétaCan
Menu
Retour à la cohorte
Enregistrement W2793562846 · doi:10.1155/2018/5684679

Engineering Tissues without the Use of a Synthetic Scaffold: A Twenty-Year History of the Self-Assembly Method

2018· review· en· W2793562846 sur OpenAlexafffund
Ingrid Saba, Weronika Jakubowska, Stéphane Bolduc, Stéphane Chabaud

Notice bibliographique

RevueBioMed Research International · 2018
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversité LavalHôpital de l'Enfant-Jésus
Organismes subventionnairesFonds de Recherche du Québec - SantéCanadian Institutes of Health ResearchFondation CHU de QuébecChongqing University of Arts and Sciences
Mots-clésScaffoldTissue engineeringExtracellular matrixComputer scienceSynthetic biologyNanotechnologyBiomedical engineeringBiochemical engineeringBiologyBioinformaticsMaterials scienceCell biologyEngineering

Résumé

récupéré en direct d'OpenAlex

Twenty years ago, Dr. François A. Auger, the founder of the Laboratory of Experimental Organogenesis (LOEX), introduced the self-assembly technique. This innovative technique relies on the ability of dermal fibroblasts to produce and assemble their own extracellular matrix, differing from all other tissue-engineering techniques that use preformed synthetic scaffolds. Nevertheless, the use of the self-assembly technique was limited for a long time due to its main drawbacks: time and cost. Recent scientific breakthroughs have addressed these limitations. New protocol modifications that aim at increasing the rate of extracellular matrix formation have been proposed to reduce the production costs and laboratory handling time of engineered tissues. Moreover, the introduction of vascularization strategies in vitro permits the formation of capillary-like networks within reconstructed tissues. These optimization strategies enable the large-scale production of inexpensive native-like substitutes using the self-assembly technique. These substitutes can be used to reconstruct three-dimensional models free of exogenous materials for clinical and fundamental applications.

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)0,005
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,804
Score d'incertitude au seuil0,792

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0030,001
Intégrité de la recherche0,0000,001
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 Opus0,167
Tête enseignante GPT0,412
Écart entre enseignants0,245 · 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'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

Citations41
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBioMed Research InternationalMême sujet3D Printing in Biomedical ResearchTravaux en français237 207