Multiple-Condition Analysis in a Retrievable Subcutaneous Animal Model for Drug Screening on Full Pancreatic Tissue Digest
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The lack of understanding on how to treat pancreas-related diseases and develop new therapeutics is partly due to the unavailability of appropriate models. In vitro models fail to provide a physiological environment. Testing new drug targets in these models can give rise to bias and misleading results. Therefore, we developed an in vivo model for drug testing on full pancreatic digests, which maintains the interactions between endo- and exocrine tissues and allows retrieving the samples for further analyses. The use of full pancreatic digest eliminates the need to isolate islets, reducing time and cost. In this model, four different conditions can be implanted subcutaneously within the same animal. Each condition consists of full pancreatic tissue digests embedded in alginate beads. All alginate beads in one animal contained full pancreatic digest of the same donor and, after 5-day implantation, were retrieved for analysis focusing on survival, function, and/or organization. Proof-of-principle of the platform was evidenced by showing the effect of hyaluronic acid and vascular endothelial growth factor on the overall function of the full pancreatic digest and on endothelial cells in the pancreatic digest, respectively. Retrieval from identical animals allows direct comparison between conditions. Metabolism (MTT) quantification, dithizone staining, and glucose-stimulated insulin secretion assessment allow to discriminate, using a minimal number of animals, between treatments and validate the system. Because of its simplicity, the model is highly adaptable to specific needs of the user.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle