MétaCan
Menu
Retour à la cohorte
Enregistrement W3161597832 · doi:10.1002/adhm.202100234

Designing Hydrogels for 3D Cell Culture Using Dynamic Covalent Crosslinking

2021· review· en· W3161597832 sur OpenAlexafffund
Muhammad Rizwan, Alexander E. G. Baker, Molly S. Shoichet

Notice bibliographique

RevueAdvanced Healthcare Materials · 2021
Typereview
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésSelf-healing hydrogelsCovalent bondMaterials scienceDynamic covalent chemistry3D cell culturePolymer scienceNanotechnologyPolymer chemistryChemistryCellOrganic chemistryMoleculeBiochemistry

Résumé

récupéré en direct d'OpenAlex

Designing simple biomaterials to replicate the biochemical and mechanical properties of tissues is an ongoing challenge in tissue engineering. For several decades, new biomaterials have been engineered using cytocompatible chemical reactions and spontaneous ligations via click chemistries to generate scaffolds and water swollen polymer networks, known as hydrogels, with tunable properties. However, most of these materials are static in nature, providing only macroscopic tunability of the scaffold mechanics, and do not reflect the dynamic environment of natural extracellular microenvironment. For more complex applications such as organoids or co-culture systems, there remain opportunities to investigate cells that locally remodel and change the physicochemical properties within the matrices. In this review, advanced biomaterials where dynamic covalent chemistry is used to produce stable 3D cell culture models and high-resolution constructs for both in vitro and in vivo applications, are discussed. The implications of dynamic covalent chemistry on viscoelastic properties of in vitro models are summarized, case studies in 3D cell culture are critically analyzed, and opportunities to further improve the performance of biomaterials for 3D tissue engineering are discussed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,080
Tête enseignante GPT0,423
Écart entre enseignants0,343 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations162
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Healthcare MaterialsMême sujet3D Printing in Biomedical ResearchTravaux en français237 207