Tailoring Alginate-Gelatin Hydrogels to Precisely Modulate Osteogenesis in Dental Pulp Stem Cells While Preserving Other Cellular Behaviors
Notice bibliographique
Résumé
Alginate-gelatin (Alg-Gel) hydrogels have been used experimentally but not clinically associated with mesenchymal stromal / stem cells (MSCs) to guide bone tissue formation. One of the main challenges for its clinical application is optimizing Alg-Gel stiffness to guide osteogenesis. In this study, we investigated how Alg-Gel stiffness could modulate the dental pulp stem cell (DPSCs) attachment, morphology, proliferation, and osteogenic differentiation, identifying the optimal condition to uncouple osteogenesis from the other cell behaviors. An array of Alg-Gel hydrogels was prepared by casting different percentages of Alg and Gel being crosslinked with 2 % CaCl2. We selected two hydrogels, one with 11± 1 kPa called “low” stiffness and one with 55 ± 3 kPa called “high” stiffness. Hydrogel analyses showed that the average swelling rates were 20 ± 3% for low and 35 ± 2% for high hydrogels. The degradation percentage was 47 ± 5% and 18 ± 2% for low and high hydrogels, respectively. Both hydrogel types showed homogeneous surface shape and pro-tein (Alg-Gel) interaction with CaCl2 as assessed by FTIR-ATR and XPS. Cell culture showed good adhesion of the DPSCs to the hydrogels and proliferation. Furthermore, better osteogenic activity was obtained with high-stiffness hydrogels. In summary, this study confirms the possibility of characterizing and optimizing the stiffness of alginate-gelatin gel to guide osteogenesis in vitro without altering other cellular properties of DPSCs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,003 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».