MétaCan
Menu
Retour à la cohorte
Enregistrement W3136221827 · doi:10.82308/36494

Axonal migration and turning investigated through surface-bound digital nanodot gradients

2015· article· en· W3136221827 sur OpenAlexfundno aff
Sébastien G. Ricoult

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2015
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health ResearchMcGill UniversityMolson FoundationKillam TrustsMinistère du Développement Économique, de l’Innovation et de l’Exportation
Mots-clésNanodotComputer scienceGeologyMaterials scienceNanotechnology

Résumé

récupéré en direct d'OpenAlex

L'haptotaxis, ou la migration de cellules en réponse à un repère lié à la surface, est un processus critique pour la connexion du système nerveux. Malgré son importance, les études de ce mécanisme ont été limitées en grande partie en raison des contraintes inhérentes aux méthodes disponibles pour produire des gradients complexes de protéines liées au substrat. Dans cette thèse, nous avons développé une méthode pour créer facilement et de manière fiable des gradients de protéines liées au substrat, puis appliqué cette méthode pour étudier la navigation axonale sur des gradients de nétrine-1 et de polylysine. Dans le chapitre 2, nous présentons de nouveaux modèles pour créer des dégradés de nanopoints de protéines où l'espacement entre les points est modifié dans des directions X et Y pour modifier la densité. Nous avons pu atteindre une plage dynamique sans précédent pour ces gradients numériques de nanodots. Nous rapportons ensuite une méthode d'impression par contact à l'échelle nanométrique de lift-off à faible coût pour créer des gradients de protéines liées au substrat avec des nanopoints de protéines aussi petites que 100 nm de diamètre. Dans le chapitre 3, nous avons créé des tests quantitatifs pour pour étudier la surface de référence non imprimée, ou la surface de référence, qui ont servi à établir des comparaisons entre la réponse de différentes cellules et surfaces ainsi que d'articuler le concept d'affinité cellulaire à la surface. Nous avons utilisé cette méthode pour identifier un environnement dans lequel les cellules répondent à des motifs protéiques liés au substrat par des mécanismes spécifiques de transduction biochimiques. Nous démontrons par l'application de ces méthodes que les myoblastes C2C12 migrent sur des gradients de nétrine-1. Dans le chapitre 4, nous avons utilisé une matrice de 100 gradients distincts, imprimés en 10 minutes, pour étudier la navigation de neurones corticaux et spinaux commissure. Les gradients dans la matrice diffèrent en géométrie et le tableau a été imprimé en utilisant soit la nétrine-1 ou polylysine. La mise en œuvre de la matrice a révélé que les neurones corticaux présentent une réponse de braquage relativement forte sur des gradients de nétrine-1 de nanopoints numériques d'arrangement ordonné aux courbes exponentielles peu profondes. Le travail présenté dans cette thèse a pour objectif de faciliter l'étude de l'haptotaxis. Il fournit une approche pour créer des gradients liés au substrat par le biais de nouveaux algorithmes complexes, un moyen pour convertir ces designs numériques en gradients de protéines imprimés, et un moyen pour modifier la surface de référence pour assurer une réponse cellulaire souhaitée. En outre, les résultats acquis de nos études sur la navigation de neurones sur des gradients de différentes géométries forment les bases pour de nouvelles études. Comme les gradients sont stables grâce à leur liaison à la surface, d'autres composants peuvent être facilement ajoutés à notre procédé. Par exemple, des médicaments pharmacologiques pourraient être appliqués en solution pour identifier un composé qui favorise la migration, les cellules transfectées exprimant des protéines fluorescentes peuvent être cultivées sur les schémas et visualisés en temps réel avec un microscope à fluorescence pour étudier la formation d'adhésions focales, ou des neurones avec des mutations génétiques pourraient être testés sur les gradients pour voir comment ces mutations impactent la navigation spécifique aux protéines liées à la surface.

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)0,002
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,004
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,062
Tête enseignante GPT0,248
Écart entre enseignants0,186 · 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'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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetNeuroscience and Neural EngineeringTravaux en français237 207