MétaCan
Menu
Retour à la cohorte
Enregistrement W2931663532 · doi:10.1002/mabi.201900036

Tunable Engineered Extracellular Matrix Materials: Polyelectrolyte Multilayers Promote Improved Neural Cell Growth and Survival

2019· article· en· W2931663532 sur OpenAlexafffund
Michael J. Landry, Kaien Gu, Stephanie N. Harris, Laila Al‐Alwan, Laura Gutsin, Daniele De Biasio, Bernie Jiang, Diane S. Nakamura, T. Christopher Corkery, Timothy E. Kennedy, Christopher J. Barrett

Notice bibliographique

RevueMacromolecular Bioscience · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiquePolymer Surface Interaction Studies
Établissements canadiensMontreal Neurological Institute and HospitalMcGill University
Organismes subventionnairesMultiple Sclerosis Society of Canada
Mots-clésPolyelectrolyteExtracellular matrixNeural cellMaterials scienceSILKLysineChemistryNanotechnologyBiophysicsCellPolymerBiologyBiochemistryComposite material

Résumé

récupéré en direct d'OpenAlex

Poly-d-lysine (PDL) and poly-l-lysine are standard surfaces for culturing neural cells; however, both are relatively unstable, costly, and the coated surface typically must be prepared immediately before use. Here, polyelectrolyte multilayers (PEMs) are employed as highly stable, relatively inexpensive, alternative substrates to support primary neural cell culture. Initial findings identify specific silk-based PEMs that significantly outperform the capacity of PDL to promote neuronal survival and process extension. Based on these results, a library of PEM variants, including commercial and bio-sourced polyelectrolytes, is generated and three silk-based PEMs that substantially outperform PDL as a substrate for primary neurons in cell culture are identified. Further, testing these PEM variants as substrates for primary oligodendrocyte progenitors demonstrates that one silk-based PEM functions significantly better than PDL. These findings reveal specificity of cellular responses, indicating that PEMs may be tuned to optimally support different neural cell types.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,007
Score d'incertitude au seuil1,000

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 savante0,0000,001
Science ouverte0,0010,000
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 Opus0,005
Tête enseignante GPT0,228
Écart entre enseignants0,223 · 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.

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

Citations10
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMacromolecular BioscienceMême sujetPolymer Surface Interaction StudiesTravaux en français237 207