The Combined Effects of Topography and Stiffness on Neuronal Differentiation and Maturation Using a Hydrogel Platform
Notice bibliographique
Résumé
Biophysical parameters such as substrate topography and stiffness have been shown independently to elicit profound effects on neuronal differentiation and maturation from neural progenitor cells (NPCs) yet have not been investigated in combination. Here, the effects of various micrograting and stiffness combinations on neuronal differentiation and maturation were investigated using a polyacrylamide and N-acryloyl-6-aminocaproic acid copolymer (PAA-ACA) hydrogel with tunable stiffness. Whole laminin was conjugated onto the PAA-ACA surface indirectly or directly to facilitate long-term mouse and human NPC-derived neuron attachment. Three micrograting dimensions (2-10 µm) were patterned onto gels with varying stiffness (6.1-110.5 kPa) to evaluate the effects of topography, stiffness, and their interaction. The results demonstrate that the extracellular matrix (ECM)-modified PAA-ACA gels support mouse and human neuronal cell attachment throughout the differentiation and maturation stages (14 and 28 days, respectively). The interaction between topography and stiffness is shown to significantly increase the proportion of β-tubulin III (TUJ1) positive neurons and microtubule associated protein-2 (MAP2) positive neurite branching and length. Thus, the effects of topography and stiffness cannot be imparted. These results provide a novel platform for neural mechanobiology studies and emphasize the utility of optimizing numerous biophysical cues for improved neuronal yield in vitro.
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 | 0,000 |
| 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 ».