Computational fluid dynamics for enhanced tracheal bioreactor design and long-segment graft recellularization
Notice bibliographique
Résumé
Successful re-epithelialization of de-epithelialized tracheal scaffolds remains a challenge for tracheal graft success. Currently, the lack of understanding of the bioreactor hydrodynamic environment, and its relation to cell seeding outcomes, serve as major obstacles to obtaining viable tracheal grafts. In this work, we used computational fluid dynamics to (a) re-design the fluid delivery system of a trachea bioreactor to promote a spatially uniform hydrodynamic environment, and (b) improve the perfusion cell seeding protocol to promote homogeneous cell deposition. Lagrangian particle-tracking simulations showed that low rates of rotation provide more uniform circumferential and longitudinal patterns of cell deposition, while higher rates of rotation only improve circumferential uniformity but bias cell deposition proximally. Validation experiments with human bronchial epithelial cells confirm that the model accurately predicts cell deposition in low shear stress environments. We used the acquired knowledge from our particle tracking model, as a guide for long-term tracheal repopulation studies. Cell repopulation using conditions resulting in low wall shear stress enabled enhanced re-epithelialization of long segment tracheal grafts. While our work focuses on tracheal regeneration, lessons learned in this study, can be applied to culturing of any tissue engineered tubular scaffold.
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 | 0,001 | 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) | 0,000 | 0,000 |
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.
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 ».