MétaCan
Menu
Retour à la cohorte
Enregistrement W3177481206 · doi:10.1096/fasebj.23.1_supplement.177.2

Bioengineering Strategies to Control Neural Stem/Progenitor Cell Differentiation

2009· article· en· W3177481206 sur OpenAlexaff
Molly S. Shoichet, Tasneem Zahir, Howard S. Kim, Cindi M. Morshead, Charles H. Tator

Notice bibliographique

RevueThe FASEB Journal · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueTissue Engineering and Regenerative Medicine
Établissements canadiensUniversity Health NetworkUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésProgenitor cellSpinal cord injuryNeural stem cellStem cellRegeneration (biology)Cell biologyNeuroscienceProgenitorPopulationSpinal cordBiologyMedicine

Résumé

récupéré en direct d'OpenAlex

Traumatic spinal cord injury is devastating, leading to lifelong paralysis with little hope of recovery based on current treatments. Neural stem/progenitor cells (NSPCs) offer the potential to promote regeneration after injury, providing a permissive environment to host cells. We have been particularly interested in sub‐acute injury models where both NSPC survival and regenerative potential are greatest. In our preliminary studies, we compared stem cells derived from the brain vs. those from the spinal cord in a transection injury model, where the stem cells were delivered in biocompatible hydrogel tubes of chitosan. Here we observed greater brain‐derived cell numbers and larger tissue bridges than spinal cord‐derived cells. In on‐going studies, we have refined our tube design to include microspheres for sustained, localized release of relevant factors. We have screened a number of factors in vitro to yield an enriched population of one cell type, either neuronal or glial. These factors are being explored for incorporation into the tubes and their impact measured on stem cell survival and differentiation in vitro and in an in vivo rat transection injury model.

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)0,001
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,012
Tête enseignante GPT0,240
Écart entre enseignants0,227 · 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'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

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetTissue Engineering and Regenerative MedicineTravaux en français237 207