Vascularization Strategies in 3D Cell Culture Models: From Scaffold-Free Models to 3D Bioprinting
Notice bibliographique
Résumé
The discrepancies between the findings in preclinical studies, and in vivo testing and clinical trials have resulted in the gradual decline in drug approval rates over the past decades. Conventional in vitro drug screening platforms employ two-dimensional (2D) cell culture models, which demonstrate inaccurate drug responses by failing to capture the three-dimensional (3D) tissue microenvironment in vivo. Recent advancements in the field of tissue engineering have made possible the creation of 3D cell culture systems that can accurately recapitulate the cell-cell and cell-extracellular matrix interactions, as well as replicate the intricate microarchitectures observed in native tissues. However, the lack of a perfusion system in 3D cell cultures hinders the establishment of the models as potential drug screening platforms. Over the years, multiple techniques have successfully demonstrated vascularization in 3D cell cultures, simulating in vivo-like drug interactions, proposing the use of 3D systems as drug screening platforms to eliminate the deviations between preclinical and in vivo testing. In this review, the basic principles of 3D cell culture systems are briefly introduced, and current research demonstrating the development of vascularization in 3D cell cultures is discussed, with a particular focus on the potential of these models as the future of drug screening platforms.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».