Multi‐Sensor Origami Platform: A Customizable System for Obtaining Spatiotemporally Precise Functional Readouts in 3D Models
Notice bibliographique
Résumé
Bioprinting technology offers unprecedented opportunities to construct in vitro tissue models that recapitulate the 3D morphology and functionality of native tissue. Yet, it remains difficult to obtain adequate functional readouts from such models. In particular, it is challenging to position sensors in desired locations within pre-fabricated 3D bioprinted structures. At the same time, bioprinting tissue directly onto a sensing device is not feasible due to interference with the printer head. As such, a multi-sensing platform inspired by origami that overcomes these challenges by "folding" around a separately fabricated 3D tissue structure is proposed, allowing for the insertion of electrodes into precise locations, which are custom-defined using computer-aided-design software. The multi-sensing origami platform (MSOP) can be connected to a commercial multi-electrode array (MEA) system for data-acquisition and processing. To demonstrate the platform, how integrated 3D MEA electrodes can record neuronal electrical activity in a 3D model of a neurovascular unit is shown. The MSOP also enables a microvascular endothelial network to be cultured separately and integrated with the 3D tissue structure. Accordingly, how impedance-based sensors in the platform can measure endothelial barrier function is shown. It is further demonstrated the device's versatility by using it to measure neuronal activity in brain organoids.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».