Applications of Omics Technologies for Three-Dimensional <i>In Vitro</i> Disease Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Omics technologies, such as genomics, epigenomics, transcriptomics, proteomics, metabolomics, lipidomics, multiomics, and integrated modalities, have greatly contributed to our understanding of various diseases by enabling researchers to probe the molecular wiring of cellular systems in a high-throughput and precise manner. With the development of tissue-engineered three-dimensional (3D) in vitro disease models, such as organoids and spheroids, there is potential of integrating omics technologies with 3D disease models to elucidate the complex links between genotype and phenotype. These 3D disease models have been used to model cancer, infectious disease, toxicity, neurological disorders, and others. In this review, we provide an overview of omics technologies, highlight current and emerging studies, discuss the associated experimental design considerations, barriers and challenges of omics technologies, and provide an outlook on the future applications of omics technologies with 3D models. Overall, this review aims to provide a valuable resource for tissue engineers seeking to leverage omics technologies for diving deeper into biological discovery. Impact statement With the emergence of three-dimensional (3D) in vitro disease models, tissue engineers are increasingly interested to investigate these systems to address biological questions related to disease mechanism, drug target discovery, therapy resistance, and more. Omics technologies are a powerful and high-throughput approach, but their application for 3D disease models is not maximally utilized. This review illustrates the achievements and potential of using omics technologies to leverage the full potential of 3D in vitro disease models. This will improve the quality of such models, advance our understanding of disease, and contribute to therapy development.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle