MétaCan
Menu
Retour à la cohorte
Enregistrement W3015557934 · doi:10.1039/c9lc01230c

Selective cell propagation <i>via</i> micropatterning of a thermally-activated hydrogel

2020· article· en· W3015557934 sur OpenAlexafffund
Jeffrey Chiu, Joyce A. Teodoro, Jeong Hyun Lee, Kerryn Matthews, Simon P. Duffy, Hongshen Ma

Notice bibliographique

RevueLab on a Chip · 2020
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensVancouver General HospitalVancouver Biotech (Canada)University of British Columbia
Organismes subventionnairesCanadian Institutes of Health ResearchNatural Sciences and Engineering Research Council of CanadaMitacsMichael Smith Health Research BC
Mots-clésMicropatterningMaterials scienceChemistryNanotechnologyBiophysicsBiology

Résumé

récupéré en direct d'OpenAlex

The ability to selectively propagate specific cells is fundamentally important to the development of clonal cell populations. Current methods rely on techniques such as limiting dilution, colony picking, and flow cytometry to transfer single cells into single wells, resulting in workflows that are low-throughput, slowed by propagation kinetics, and susceptible to contamination. Here, we developed a method, called selective laser gelation (SLG), to micropattern hydrogels in cell culture media in order to encapsulate specific cells to selectively arrest their growth. This process relies on the inverse gelation of methylcellulose, which forms a hydrogel when heated rather than cooled. Local heating using an infrared laser enables hydrogel micropatterning, while phase transition hysteresis retains the hydrogel after laser excitation. As a demonstration, we used this approach to selectively propagate transgenic CHO cells with increased antibody productivity. More generally, hydrogel micropatterning provides a simple and non-contact method for selective propagation of cells based on features identified by imaging.

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 candidatesaucune
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 enseignants0,029
Score d'incertitude au seuil0,407

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)0,0000,000

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 Opus0,015
Tête enseignante GPT0,228
Écart entre enseignants0,214 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

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