Sequential Application of Discrete Topographical Patterns Enhances Derivation of Functional Mesencephalic Dopaminergic Neurons from Human Induced Pluripotent Stem Cells
Notice bibliographique
Résumé
Parkinson's Disease is a progressive neurodegenerative disorder attributed to death of mesencephalic dopaminergic (DA) neurons. Pluripotent stem cells have great potential in the study for this late-onset disease, but acquirement of cells that are robust in quantity and quality is still technically demanding. Biophysical cues have been shown to direct stem cell fate, but the effect of different topographies in the lineage commitment and subsequent maturation stages of cells have been less examined. Using human induced pluripotent stem cells (iPSCs), we applied topographical patterns sequentially during differentiation stages and examined their ability to influence derivation yield and functionality of regionalized subtype-specific DA neurons. Gratings showed higher yield of DA neurons and may be beneficial for initial lineage commitment. Cells derived on pillars in the terminal differentiation stage have increased neuronal complexity, and were more capable of firing repetitive action potentials, showing that pillars yielded better network formation and functionality. Our topography platform can be applied to patient-derived iPSCs as well, and that cells harbouring LRRK2 mutation were more functionally mature when optimal topographies were applied sequentially. This will hopefully accelerate development of robust cell models that will provide novel insights into discovering new therapeutic approaches for Parkinson's Disease.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».