MétaCan
Menu
Retour à la cohorte
Enregistrement W4389508869 · doi:10.1002/bmm2.12059

Magnetic hydroxyapatite nanobelt‐stem cell hybrid spheroids for remotely patterning bone tissues

2023· article· en· W4389508869 sur OpenAlexaff
Min Hao, Wenhan Wang, Anil Kumar, Wan Hairul Anuar Kamaruddin, Syafiqah Saidin, Nik Ahmad Nizam Nik Malek, Jérôme P. Claverie, Hong Liu

Notice bibliographique

RevueBMEMat · 2023
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Science Foundation of Shandong Province
Mots-clésMesenchymal stem cellStem cellSpheroidCell biologyMaterials scienceBone marrowAdipose tissueCellBiomedical engineeringChemistryNanotechnologyBiologyCell cultureImmunologyMedicineBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The low survival rate and poor differentiation efficiency of stem cells, as well as the insufficient integration of implanted stem cells, limit the regeneration of bone defects. Here, we have developed magnetic ferroferric oxide‐hydroxyapatite‐polydopamine (Fe 3 O 4 ‐HAp‐PDA) nanobelts to assemble mesenchymal stem cells (MSCs) into a three‐dimensional hybrid spheroid for patterning bone tissue. These nanobelts, which are featured by their high‐aspect ratio and contain Fe 3 O 4 nanospheres with a PDA coating, can be manipulated by a magnetic field and foster enhanced cell‐nanobelt interactions. This strategy has been demonstrated to be effective for both bone marrow mesenchymal stem cells and adipose‐derived mesenchymal stem cells, enabling remote manipulation of stem cell spheroids and efficient spheroid fusion, which in turn accelerates osteogenic differentiation. Consequently, this methodology serves as an efficient and general tool for bone tissue printing and can potentially overcome the low survival rate and poor differentiation efficiency of stem cells, as well as mismatched interface fusion issues.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,604
Score d'incertitude au seuil0,999

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)0,0000,002

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 Opus0,021
Tête enseignante GPT0,258
Écart entre enseignants0,237 · 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.

Devis d'étudeAutre devis
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

Citations32
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMEMatMême sujet3D Printing in Biomedical ResearchTravaux en français237 207