MétaCan
Menu
Retour à la cohorte
Enregistrement W2810725639 · doi:10.1016/j.heliyon.2018.e00680

Sugar glass fugitive ink loaded with calcium chloride for the rapid casting of alginate scaffold designs

2018· article· en· W2810725639 sur OpenAlexafffund
Gabrielle Gauvin-Rossignol, Philippe Legros, Jean Ruel, Marc‐André Fortin, André Bégin‐Drolet

Notice bibliographique

RevueHeliyon · 2018
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensCentre hospitalier universitaire de QuébecUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCalcium alginateSelf-healing hydrogelsSugarCalciumGluconic acidScaffoldCalcium carbonateMaterials scienceChemical engineeringDissolutionBiopolymerChemistryNanotechnologyBiomedical engineeringBiochemistryPolymerComposite materialOrganic chemistryPolymer chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Alginate-based hydrogels are widely used for the development of biomedical scaffolds in regenerative medicine. The use of sugar glass as a sacrificial template for fluidic channels fabrication within alginate scaffolds remains a challenge because of the premature dissolution of sugar by the water contained in the alginate as well as the relatively slow internal gelation rate of the alginate. Here, a new and simple method, based on a sugar glass fugitive ink loaded with calcium chloride to build sacrificial molds, is presented. We used a dual calcium cross-linking process by adding this highly soluble calcium source in the printed sugar, thus allowing the rapid gelation of a thin membrane of alginate around the sugar construct, followed by the addition of calcium carbonate and gluconic acid δ-lactone to complete the process. This innovative technique results in the rapid formation of "on-demand" alginate hydrogel with complex fluidic channels that could be used in biomedical applications such as highly vascularized scaffolds promoting pathways for nutrients and oxygen to the cells.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,385
Score d'incertitude au seuil0,395

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 recherche0,0000,000
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 Opus0,056
Tête enseignante GPT0,299
Écart entre enseignants0,243 · 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'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

Citations17
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHeliyonMême sujet3D Printing in Biomedical ResearchTravaux en français237 207