Combining PLGA Scaffold and MSCs for Brain Tissue Engineering: A Potential Tool for Treatment of Brain Injury
Notice bibliographique
Résumé
Nerve tissue engineering is an important strategy for the treatment of brain injuries. Mesenchymal stem cell (MSC) transplantation has been proven to be able to promote repair and functional recovery of brain damage, and poly (lactic-co-glycolic acid) (PLGA) has also been found to have the capability of bearing cells. In the present study, to observe the ability of PLGA scaffold in supporting the adherent growth of MSCs and neurons in vivo and vitro and to assess the effects of PLGA scaffold on proliferation and neural differentiation of MSCs, this study undertakes the following steps. First, MSCs and neurons were cultured and labeled with green fluorescent protein (GFP) or otherwise identified and the PLGA scaffold was synthesized. Next, MSCs and neurons were inoculated on PLGA scaffolds and their adhesion rates were investigated and the proliferation of MSCs was evaluated by using MTT assay. After MSCs were induced by a neural induction medium, the morphological change and neural differentiation of MSCs were detected using scanning electron microscopy (SEM) and immunocytochemistry, respectively. Finally, cell migration and adhesion in the PLGA scaffold in vivo were examined by immunohistochemistry, nuclear staining, and SEM. The experimental results demonstrated that PLGA did not interfere with the proliferation and neural differentiation of MSCs and that MSCs and neuron could grow and migrate in PLGA scaffold. These data suggest that the MSC-PLGA complex may be used as tissue engineering material for brain injuries.
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 ».