A Cohesive Shear-Thinning Biomaterial for Catheter-Based Minimally Invasive Therapeutics
Notice bibliographique
Résumé
Shear-thinning hydrogels are suitable biomaterials for catheter-based minimally invasive therapies; however, the tradeoff between injectability and mechanical integrity has limited their applications, particularly at high external shear stress such as that during endovascular procedures. Extensive molecular crosslinking often results in stiff, hard-to-inject hydrogels that may block catheters, whereas weak crosslinking renders hydrogels mechanically weak and susceptible to shear-induced fragmentation. Thus, controlling molecular interactions is necessary to improve the cohesion of catheter-deployable hydrogels. To address this material design challenge, we have developed an easily injectable, nonhemolytic, and noncytotoxic shear-thinning hydrogel with significantly enhanced cohesion via controlling noncovalent interactions. We show that enhancing the electrostatic interactions between weakly bound biopolymers (gelatin) and nanoparticles (silicate nanoplatelets) using a highly charged polycation at an optimum concentration increases cohesion without compromising injectability, whereas introducing excessive charge to the system leads to phase separation and loss of function. The cohesive biomaterial is successfully injected with a neuroendovascular catheter and retained without fragmentation in patient-derived three-dimensionally printed cerebral aneurysm models under a physiologically relevant pulsatile fluid flow, which would otherwise be impossible using the noncohesive hydrogel counterpart. This work sheds light on how charge-driven molecular and colloidal interactions in shear-thinning physical hydrogels improve cohesion, enabling complex minimally invasive procedures under flow, which may open new opportunities for developing the next generation of injectable biomaterials.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».