MétaCan
Menu
Retour à la cohorte
Enregistrement W4200105609 · doi:10.1002/admt.202101033

Label‐Free Cell Migration Assay Using Magnetic Exclusion

2021· article· en· W4200105609 sur OpenAlexafffund
Tamaghna Gupta, Rohit Gupta, Mohammadhossein Dabaghi, Rakesh P. Sahu, Jeremy A. Hirota, Ishwar K. Puri

Notice bibliographique

RevueAdvanced Materials Technologies · 2021
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceDiamagnetismFibronectinCellBiophysicsMagnetParamagnetismMagnetic fieldMagnetostaticsViability assayCell cultureBiomedical engineeringNanotechnologyChemistryBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract In vitro wound healing assays are widely used to investigate cell migration during various physiologic and pathologic processes. However, traditional scratch‐based assays produce cell‐free areas that are not reproducible, whereas the alternate insert‐based exclusion method is expensive and time‐consuming. Here, a rapid, label‐free, insert‐free magnetic exclusion technique, where magnetic fields are used to create cell‐free areas is described. Suspensions of diamagnetic cells in a paramagnetic culture medium are seeded into microwells placed on an array of the coaxially arranged ring and cylinder magnets. In the presence of an inhomogeneous field, the magnetic susceptibility difference drives the cells toward an annular region of the lowest field strength. Annular cell aggregates of reproducible dimensions are produced on tissue culture‐treated and collagen I‐fibronectin coated surfaces within 3 h. The effects of the paramagnetic agent on cell viability, metabolism, and gene expression are investigated. A mathematical model reveals the dynamics of the cell‐free area closure. The magnetic exclusion technique is inexpensive, easy to use, and amenable to automation. Potential applications include cancer research, high throughput drug discovery, and 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.

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)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,089
Score d'incertitude au seuil0,628

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,017
Tête enseignante GPT0,267
Écart entre enseignants0,251 · 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.

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

Citations5
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials TechnologiesMême sujet3D Printing in Biomedical ResearchTravaux en français237 207