Engineering fibronectin-templated multi-component fibrillar extracellular matrices to modulate tissue-specific cell response
Notice bibliographique
Résumé
Cells assemble fibronectin, the major extracellular matrix (ECM) protein, into fibrillar matrices, which serve as 3D architectural scaffolds to provide, together with other ECM proteins tissue-specific environments. Although recent approaches enable to bioengineer 3D fibrillar fibronectin matrices in vitro, it remains elusive how fibronectin can be co-assembled with other ECM proteins into complex 3D fibrillar matrices that recapitulate tissue-specific compositions and cellular responses. Here, we introduce the engineering of fibrillar fibronectin-templated 3D matrices that can be complemented with other ECM proteins, including vitronectin, collagen, and laminin to resemble ECM architectures observed in vivo. For the co-assembly of different ECM proteins, we employed their innate fibrillogenic mechanisms including shear forces, pH-dependent electrostatic interactions, or specific binding domains. Through recapitulating various tissue-specific ECM compositions and morphologies, the large scale multi-composite 3D fibrillar ECM matrices can guide fibroblast adhesion, 3D fibroblast tissue formation, or tissue morphogenesis of epithelial cells. In other examples, we customize multi-composite 3D fibrillar matrices to support the growth of signal propagating neuronal networks and of human brain organoids. We envision that these 3D fibrillar ECM matrices can be tailored in scale and composition to modulate tissue-specific responses across various biological length scales and systems, and thus to advance manyfold studies of cell biological systems.
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 | 0,001 |
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 ».