3D Tissue Models as an Effective Tool for Studying Viruses and Vaccine Development
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
The recent SARS-CoV-2 outbreak has researchers working tirelessly to understand the virus' pathogenesis and develop an effective vaccine. The urgent need for rapid development and deployment of such a vaccine has illustrated the limitations of current practices, and it has highlighted the need for alternative models for early screening of such technologies. Traditional 2D cell culture does not accurately capture the effects of a physiologically relevant environment as they fail to promote appropriate cell-cell and cell-environment interactions. This inability to capture the intricacies of the in vivo microenvironment prevents 2D cell cultures from demonstrating the necessary properties of native tissues required for the standard infection mechanisms of the virus, thus contributing the high failure rate of drug discovery and vaccine development. 3D cell culture models can bridge the gap between conventional cell culture and in vivo models. Methods such as 3D bioprinting, spheroids, organoids, organ-on-chip platform, and rotating wall vessel bioreactors offer ways to produce physiologically relevant models by mimicking in vivo microarchitecture, chemical gradients, cell–cell interactions and cell–environment interactions. The field of viral biology currently uses 3D cell culture models to understand the interactions between viruses and host cells, which is crucial knowledge for vaccine development. In this review, we discuss how 3D cell culture models have been used to investigate disease pathologies for coronaviruses and other viruses such as Zika Virus, Hepatitis, and Influenza, and how they may apply to drug discovery and vaccine 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 | 0,001 | 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 découle