MétaCan
Menu
Retour à la cohorte
Enregistrement W2970730415 · doi:10.1039/c9lc00492k

Microphysiological lung models to evaluate the safety of new pharmaceutical modalities: a biopharmaceutical perspective

2019· review· en· W2970730415 sur OpenAlexaff
Garrett R. Ainslie, Myrtle Davis, Lorna Ewart, Linda A. Lieberman, David J. Rowlands, Andrew J. Thorley, Gorm Yoder, Anne Ryan

Notice bibliographique

RevueLab on a Chip · 2019
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensDiscovery Centre
Organismes subventionnairesNovartis Institutes for BioMedical Research
Mots-clésBiopharmaceuticalPerspective (graphical)Drug developmentModalitiesRisk analysis (engineering)BusinessPharmaceutical industryDrugBiochemical engineeringEngineeringPharmacologyComputer scienceMedicineBiotechnologyBiologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The lung is a complex organ; it is both the initial barrier for inhaled agents and the site of metabolism and therapeutic effect for a subset of systemically administered drugs. Comprised of more than 40 cell types that are responsible for various important functions, the lung's complexity contributes to the subsequent challenges in developing complex in vitro co-culture models (also called microphysiological systems (MPS), complex in vitro models or organs-on-a-chip). Although there are multiple considerations and limitations in the development and qualification of such in vitro systems, MPS exhibit great promise in the fields of pharmacology and toxicology. Successful development and implementation of MPS models may enable mechanistic bridging between non-clinical species and humans, and increase clinical relevance of safety endpoints, while decreasing overall animal use. This article summarizes, from a biopharmaceutical industry perspective, essential elements for the development and qualification of lung MPS models. Its purpose is to guide MPS developers and manufacturers to expedite MPS utilization for safety assessment in the biopharmaceutical industry.

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), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,927
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,214
Tête enseignante GPT0,448
Écart entre enseignants0,234 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujet3D Printing in Biomedical ResearchTravaux en français237 207