Magnetic microboats for floating, stiffness tunable, air–liquid interface epithelial cultures
Notice bibliographique
Résumé
To study respiratory diseases, in vitro airway epithelial models are commonly implemented by culturing airway cells on a porous surface at an air-liquid interface (ALI). However, these surfaces are often supraphysiologically stiff, which is known to affect the organization, maturation, and responses of cells to potential therapies in other biological culture models. While it is possible to culture cells on soft hydrogel substrates at an air-liquid interface, these techniques are challenging to implement particularly in high-throughput applications which require robust and repetitive material handling procedures. To address these two limitations and characterize epithelial cultures on substrates of varying stiffness at the ALI, we developed a novel "lung-on-a-boat", in which stiffness-tuneable hydrogels are integrated into the bottoms of polymeric microstructures, which normally float at the air-liquid interface. An embedded magnetic material can be used to sink the boat on demand when a magnetic field is applied, enabling reliable transition between submerged and ALI culture. In this work, we prototype a functional ALI microboat platform, with integrated stiffness-tunable polyacrylamide hydrogel surfaces, and validate the use of this technology with a model epithelial cell line. We verify sufficient transport through the hydrogel base to maintain cell viability and stimulate cultures, using a model nanoparticle with known toxicity. We then demonstrate significant morphological and functional effects on epithelial barrier formation, suggesting that substrate stiffness is an important parameter to consider in the design of in vitro epithelial ALI models for drug discovery and fundamental research.
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 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 | 0,000 |
| 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 | 0,001 |
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 tête enseignante, 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 ».