MétaCan
Menu
Retour à la cohorte
Enregistrement W4210600167 · doi:10.1002/smll.202106547

High‐Efficiency Capture of Cells by Softening Cell Membrane

2022· article· en· W4210600167 sur OpenAlexaff
Ruiqi Ming, Ye Jiang, Jiaqi Fan, Chunchun An, Jinqi Li, Tongsheng Chen, Xinlei Li

Notice bibliographique

RevueSmall · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensInstitute of Aging
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSofteningMaterials scienceMembraneCirculating tumor cellCellSubstrate (aquarium)AdhesionCell membraneCell adhesionNanotechnologyCancer cellBiophysicsChemistryComposite materialCancerBiologyMetastasis

Résumé

récupéré en direct d'OpenAlex

The capture of circulating tumor cells (CTCs) by nanostructured substrate surface is a useful method for early diagnosis of cancer. At present, most methods used to improve the cell capture efficiency are based on changing substrate surface properties. However, there are still some gaps between these methods and practical applications. Here, a method is presented for improving cell capture efficiency from a different perspective, that is, changing the properties of the cells. Concretely, the mechanical properties of the cell membrane are changed by adding Cytochalasin D to soften the cell membrane. Furthermore, a corresponding theoretical model is proposed to explain the experimental results. It is found that cell softening can reduce the resistance of cell adhesion, which makes the adhesion ability stronger. The high-efficiency capture of cells by softening the cell membrane provides a potential method to improve the detection performance of CTCs.

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)0,000
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 enseignants0,010
Score d'incertitude au seuil0,410

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
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 Opus0,005
Tête enseignante GPT0,146
Écart entre enseignants0,142 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmallMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207