MétaCan
Menu
Retour à la cohorte
Enregistrement W4220917491 · doi:10.1016/j.isci.2022.104059

Reprogramming bone progenitor identity and potency through control of collagen density and oxygen tension

2022· article· en· W4220917491 sur OpenAlexaff
Rawiya Al Hosni, Laurent Bozec, Scott J. Roberts, Umber Cheema

Notice bibliographique

RevueiScience · 2022
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesUniversity College London
Mots-clésMesenchymal stem cellCell biologyProgenitor cellChemistryReprogrammingCD146Stromal cellCellStem cellBiologyBiochemistryCD34Cancer research

Résumé

récupéré en direct d'OpenAlex

The biophysical microenvironment of the cell is being increasingly used to control cell signaling and to direct cell function. Herein, engineered 3D tuneable biomimetic scaffolds are used to control the cell microenvironment of Adipose-derived Mesenchymal Stromal Cells (AMSC), which exhibit a collagen density-specific profile for early and late stage bone cell lineage status. Cell potency was enhanced when AMSCs were cultured within low collagen density environments in hypoxic conditions. A transitional culture containing varied collagen densities in hypoxic conditions directed differential cell fate responses. The early skeletal progenitor identity (PDPN + CD146 − CD73 + CD164 + ) was rescued in the cells which migrated into low collagen density gels, with cells continuously exposed to the high collagen density gels displaying a transitioned bone-cartilage-stromal phenotype (PDPN + CD146 + CD73 − CD164 - ). This study uncovers the significant contributions of the physical and physiological cell environment and highlights a chemically independent methodology for reprogramming and isolating skeletal progenitor cells from an adipose-derived cell population.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,021
Tête enseignante GPT0,282
Écart entre enseignants0,261 · 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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujet3D Printing in Biomedical ResearchTravaux en français237 207