MétaCan
Menu
Retour à la cohorte
Enregistrement W4388592001 · doi:10.1021/acs.biomac.3c00596

Preparation and Characterization of Softwood and Hardwood Nanofibril Hydrogels: Toward Wound Dressing Applications

2023· article· en· W4388592001 sur OpenAlexaff
Yağmur Baş, Linn Berglund, Totte Niittylä, Elisa Zattarin, Daniel Aili, Zeljana Sotra, Ivana Rinklake, Johan P.E. Junker, Jonathan Rakar, Kristiina Oksman

Notice bibliographique

RevueBiomacromolecules · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueAdvanced Cellulose Research Studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesStiftelsen för Strategisk Forskning
Mots-clésSoftwoodHardwoodSelf-healing hydrogelsCelluloseBiocompatibilityPulp (tooth)Materials scienceChemistryChemical engineeringPulp and paper industryComposite materialPolymer chemistryOrganic chemistryBotany

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Hydrogels of cellulose nanofibrils (CNFs) are promising wound dressing candidates due to their biocompatibility, high water absorption, and transparency. Herein, two different commercially available wood species, softwood and hardwood, were subjected to TEMPO-mediated oxidation to proceed with delignification and oxidation in a one-pot process, and thereafter, nanofibrils were isolated using a high-pressure microfluidizer. Furthermore, transparent nanofibril hydrogel networks were prepared by vacuum filtration. Nanofibril properties and network performance correlated with oxidation were investigated and compared with commercially available TEMPO-oxidized pulp nanofibrils and their networks. Softwood nanofibril hydrogel networks exhibited the best mechanical properties, and in vitro toxicological risk assessment showed no detrimental effect for any of the studied hydrogels on human fibroblast or keratinocyte cells. This study demonstrates a straightforward processing route for direct oxidation of different wood species to obtain nanofibril hydrogels for potential use as wound dressings, with softwood having the most potential.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,412

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,311
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiomacromoleculesMême sujetAdvanced Cellulose Research StudiesTravaux en français237 207