Editorial: Bio and nanomaterials in tissue engineering and regenerative medicine (BioNTERM)
Notice bibliographique
Résumé
The collection of articles includes studies on translational materials such as a peptide-based material to on-the-spot cornea repair (10.3389/fbioe.2021.773294) and the impact of electron-bean irradiation on pre-made collagen-based corneal implants (10.3389/fbioe.2022.883977). Fundamental research on the effects of processing techniques for obtaining silk-fibroin (10.3389/fbioe.2021.777320) and using plant viral nanoparticles as an additive for gelatin methacryloyl hydrogels for building complex 3D structures (10.3389/fbioe.2022.907601). This special issue includes two mini-reviews that revise recent developments on using peptides to prepare biomaterials (10.3389/fbioe.2022.893936) and some of the most common methodologies used in bioengineering lung scaffolds (10.3389/fbioe.2022.1011800). Finally, a comprehensive review of the use of mRNA-containing biomaterials for bone repair is also part of this special issue (10.3389/fbioe.2022.952670).The editors of this special issue would like to thank the scientists who contributed their work to this volume. While we are not still over the COVID-19 pandemic, we are convinced our scientific community has become stronger, is more resilient, and highly connected. The lessons learned on using digital technologies to connect, network, and share scientific knowledge during the pandemic are crucial to building a more inclusive scientific and societal ecosystem for future generations.The editors
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 | 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 ».