Modeling Heart Diseases on a Chip: Advantages and Future Opportunities
Notice bibliographique
Résumé
Heart disease is a significant burden on global health care systems and is a leading cause of death each year. To improve our understanding of heart disease, high quality disease models are needed. These will facilitate the discovery and development of new treatments for heart disease. Traditionally, researchers have relied on 2D monolayer systems or animal models of heart disease to elucidate pathophysiology and drug responses. Heart-on-a-chip (HOC) technology is an emerging field where cardiomyocytes among other cell types in the heart can be used to generate functional, beating cardiac microtissues that recapitulate many features of the human heart. HOC models are showing great promise as disease modeling platforms and are poised to serve as important tools in the drug development pipeline. By leveraging advances in human pluripotent stem cell-derived cardiomyocyte biology and microfabrication technology, diseased HOCs are highly tuneable and can be generated via different approaches such as: using cells with defined genetic backgrounds (patient-derived cells), adding small molecules, modifying the cells' environment, altering cell ratio/composition of microtissues, among others. HOCs have been used to faithfully model aspects of arrhythmia, fibrosis, infection, cardiomyopathies, and ischemia, to name a few. In this review, we highlight recent advances in disease modeling using HOC systems, describing instances where these models outperformed other models in terms of reproducing disease phenotypes and/or led to drug development.
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) | 0,001 | 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 | 0,001 |
| 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 ».