3D Bioprinting Mesenchymal Stem Cell-Derived Neural Tissues Using a Fibrin-Based Bioink
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
Current treatments for neurodegenerative diseases aim to alleviate the symptoms experienced by patients; however, these treatments do not cure the disease nor prevent further degeneration. Improvements in current disease-modeling and drug-development practices could accelerate effective treatments for neurological diseases. To that end, 3D bioprinting has gained significant attention for engineering tissues in a rapid and reproducible fashion. Additionally, using patient-derived stem cells, which can be reprogrammed to neural-like cells, could generate personalized neural tissues. Here, adipose tissue-derived mesenchymal stem cells (MSCs) were bioprinted using a fibrin-based bioink and the microfluidic RX1 bioprinter. These tissues were cultured for 12 days in the presence of SB431542 (SB), LDN-193189 (LDN), purmorphamine (puro), fibroblast growth factor 8 (FGF8), fibroblast growth factor-basic (bFGF), and brain-derived neurotrophic factor (BDNF) to induce differentiation to dopaminergic neurons (DN). The constructs were analyzed for expression of neural markers, dopamine release, and electrophysiological activity. The cells expressed DN-specific and early neuronal markers (tyrosine hydroxylase (TH) and class III beta-tubulin (TUJ1), respectively) after 12 days of differentiation. Additionally, the tissues exhibited immature electrical signaling after treatment with potassium chloride (KCl). Overall, this work shows the potential of bioprinting engineered neural tissues from patient-derived MSCs, which could serve as an important tool for personalized disease models and drug-screening.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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