MétaCan
Menu
Retour à la cohorte
Enregistrement W2967241030 · doi:10.1002/adma.201901826

Genetically Programmable Self‐Regenerating Bacterial Hydrogels

2019· article· en· W2967241030 sur OpenAlexaff
Anna Duraj‐Thatte, Noémie‐Manuelle Dorval Courchesne, Pichet Praveschotinunt, Jarod Rutledge, Yuhan Lee, Jeffrey M. Karp, Neel Joshi

Notice bibliographique

RevueAdvanced Materials · 2019
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensMcGill University
Organismes subventionnairesDivision of Materials ResearchNational Institute of Diabetes and Digestive and Kidney DiseasesNational Heart, Lung, and Blood InstituteNational Science FoundationNational Institutes of HealthKorea Institute for Advancement of Technology
Mots-clésSelf-healing hydrogelsMaterials scienceNanofiberExtracellular matrixNanotechnologyTissue engineeringInterconnectivityCell biologyBiologyComputer scienceBiomedical engineeringPolymer chemistryEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

A notable challenge for the design of engineered living materials (ELMs) is programming a cellular system to assimilate resources from its surroundings and convert them into macroscopic materials with specific functions. Here, an ELM that uses Escherichia coli as its cellular chassis and engineered curli nanofibers as its extracellular matrix component is demonstrated. Cell-laden hydrogels are created by concentrating curli-producing cultures. The rheological properties of the living hydrogels are modulated by genetically encoded factors and processing steps. The hydrogels have the ability to grow and self-renew when placed under conditions that facilitate cell growth. Genetic programming enables the gels to be customized to interact with different tissues of the gastrointestinal tract selectively. This work lays a foundation for the application of ELMs with therapeutic functions and extended residence times in the gut.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,058
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0020,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,239
Écart entre enseignants0,233 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations142
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced MaterialsMême sujet3D Printing in Biomedical ResearchTravaux en français237 207