Development of 3D printable graphene oxide based bio-ink for cell support and tissue engineering
Notice bibliographique
Résumé
Tissue engineered constructs can serve as in vitro models for research and replacement of diseased or damaged tissue. As an emerging technology, 3D bioprinting enables tissue engineering through the ability to arrange biomaterials and cells in pre-ordered structures. Hydrogels, such as alginate (Alg), can be formulated as inks for 3D bioprinting. However, Alg has limited cell affinity and lacks the functional groups needed to promote cell growth. In contrast, graphene oxide (GO) can support numerous cell types and has been purported for use in regeneration of bone, neural and cardiac tissues. Here, GO was incorporated with 2% (w/w) Alg and 3% (w/w) gelatin (Gel) to improve 3D printability for extrusion-based 3D bioprinting at room temperature (RT; 25°C) and provide a 3D cellular support platform. GO was more uniformly distributed in the ink with our developed method over a wide concentration range (0.05%–0.5%, w/w) compared to previously reported GO containing bioink. Cell support was confirmed using adipose tissue derived stem cells (ADSCs) either seeded onto 3D printed GO scaffolds or encapsulated within the GO containing ink before direct 3D printing. Added GO was shown to improve cell-affinity of bioinert biomaterials by providing more bioactive moieties on the scaffold surface. 3D cell-laden or cell-seeded constructs showed improved cell viability compared to pristine (without GO) bio-ink-based scaffolds. Our findings support the application of GO for novel bio-ink formulation, with the potential to incorporate other natural and synthetic materials such as chitosan and cellulose for advanced in situ biosensing, drug-loading and release, and with the potential for electrical stimulation of cells to further augment cell function.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».