MétaCan
Menu
Retour à la cohorte
Enregistrement W3048101218 · doi:10.1002/sctm.20-0201

Coculture techniques for modeling retinal development and disease, and enabling regenerative medicine

2020· review· en· W3048101218 sur OpenAlexfundno aff
Ali Ghareeb, Majlinda Lako, David Steel

Notice bibliographique

RevueStem Cells Translational Medicine · 2020
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRetinal Development and Disorders
Établissements canadiensnon disponible
Organismes subventionnairesBiotechnology and Biological Sciences Research CouncilMedical Research CouncilDirectorate for Biological SciencesMedical Research Council CanadaNational Centre for the Replacement, Refinement and Reduction of Animals in ResearchNational Institute for Health and Care ResearchMacular SocietyRetina UKEuropean Research CouncilFight for Sight
Mots-clésRegenerative medicineRetinalComputational biologyMedicineBiologyOphthalmologyStem cellCell biology

Résumé

récupéré en direct d'OpenAlex

Abstract Stem cell-derived retinal organoids offer the opportunity to cure retinal degeneration of wide-ranging etiology either through the study of in vitro models or the generation of tissue for transplantation. However, despite much work in animals and several human pilot studies, satisfactory therapies have not been developed. Two major challenges for retinal regenerative medicine are (a) physical cell-cell interactions, which are critical to graft function, are not formed and (b) the host environment does not provide suitable queues for development. Several strategies offer to improve the delivery, integration, maturation, and functionality of cell transplantation. These include minimally invasive delivery, biocompatible material vehicles, retinal cell sheets, and optogenetics. Optimizing several variables in animal models is practically difficult, limited by anatomical and disease pathology which is often different to humans, and faces regulatory and ethical challenges. High-throughput methods are needed to experimentally optimize these variables. Retinal organoids will be important to the success of these models. In their current state, they do not incorporate a representative retinal pigment epithelium (RPE)-photoreceptor interface nor vascular elements, which influence the neural retina phenotype directly and are known to be dysfunctional in common retinal diseases such as age-related macular degeneration. Advanced coculture techniques, which emulate the RPE-photoreceptor and RPE-Bruch’s-choriocapillaris interactions, can incorporate disease-specific, human retinal organoids and overcome these drawbacks. Herein, we review retinal coculture models of the neural retina, RPE, and choriocapillaris. We delineate the scientific need for such systems in the study of retinal organogenesis, disease modeling, and the optimization of regenerative cell therapies for retinal degeneration. Significance statement The light-sensitive neural retina is nourished by the retinal pigment epithelium (RPE), while the choriocapillaris, a dense capillary network, supplies oxygen and metabolites. Coculture of these tissues is therefore required to understand normal retinal development and disease. Transplanted retinal precursors fail to fully integrate within host tissues and form the normal RPE-photoreceptor and RPE-choriocapillaris interactions which sustain vision. Coculture techniques will enable in vitro optimization of regenerative cell therapies for degenerative retinal diseases, forming a step to successful in vivo transplant experiments. Furthermore, coculture of neural retina, RPE, and choriocapillaris will facilitate the development of transplantable multitissue sheets.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,989
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)0,0010,000
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 Opus0,041
Tête enseignante GPT0,305
Écart entre enseignants0,264 · 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

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStem Cells Translational MedicineMême sujetRetinal Development and DisordersTravaux en français237 207