Pixelated Microfluidics for Drug Screening on Tumour Spheroids and Ex Vivo Microdissected Tumour Explants
Notice bibliographique
Résumé
Anticancer drugs have the lowest success rate of approval in drug development programs. Thus, preclinical assays that closely predict the clinical responses to drugs are of utmost importance in both clinical oncology and pharmaceutical research. 3D tumour models preserve the tumoral architecture and are cost- and time-efficient. However, the short-term longevity, limited throughput, and limitations of live imaging of these models have so far driven researchers towards less realistic tumour models such as monolayer cell cultures. Here, we present an open-space microfluidic drug screening platform that enables the formation, culture, and multiplexed delivery of several reagents to various 3D tumour models, namely cancer cell line spheroids and ex vivo primary tumour fragments. Our platform utilizes a microfluidic pixelated chemical display that creates isolated adjacent flow sub-units of reagents, which we refer to as fluidic 'pixels', over tumour models in a contact-free fashion. Up to nine different treatment conditions can be tested over 144 samples in a single experiment. We provide a proof-of-concept application by staining fixed and live tumour models with multiple cellular dyes. Furthermore, we demonstrate that the response of the tumour models to biological stimuli can be assessed using the platform. Upscaling the microfluidic platform to larger areas can lead to higher throughputs, and thus will have a significant impact on developing treatments for cancer.
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 | 0,000 | 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 ».