MétaCan
Menu
Retour à la cohorte
Enregistrement W4400211458 · doi:10.1089/ten.tec.2024.0083

Single-Step 3D Bioprinting of Alginate–Collagen Type I Hydrogel Fiber Rings to Promote Angiogenic Network Formation

2024· article· en· W4400211458 sur OpenAlexaff
Ying Betty Li, Marina Rukhlova, Dongling Zhang, Jordan Nhan, Caroline Sodja, Erin E. Bedford, Jean-Philippe St-Pierre, Anna Jezierski

Notice bibliographique

RevueTissue Engineering Part C Methods · 2024
Typearticle
Langueen
DomaineEngineering
Thématique3D Printing in Biomedical Research
Établissements canadiensUniversity of OttawaAnsys (Canada)Carleton UniversityNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésCollagen fiber3D bioprintingFiberSelf-healing hydrogelsChemistryBiomedical engineeringCell biologyMaterials scienceTissue engineeringAnatomyBiologyMedicineComposite materialPolymer chemistry

Résumé

récupéré en direct d'OpenAlex

In the advent of tissue engineering and regenerative medicine, the demand for innovative approaches to biofabricate complex vascular structures is increasing. We describe a single-step 3D bioprinting method leveraging Aspect Biosystems RX1 technology, which integrates the crosslinking step at a flow-focusing junction, to biofabricate immortalized adult rat brain endothelial cell (SV-ARBEC)-encapsulated alginate-collagen type I hydrogel rings. This single-step biofabrication process involves the strategic layer-by-layer assembly of hydrogel rings, encapsulating SV-ARBECs in a spatially controlled manner while optimizing access to media and nutrients. The spatial arrangement of the SV-ARBECs within the rings promotes spontaneous angiogenic network formation and the constrained deposition of cells within the hydrogel matrix facilitates tissue-like organized vascular-like network development. This approach provides a platform that can be adapted to many different endothelial cell types and leveraged to better understand the mechanisms driving angiogenesis and vascular-network formation in 3D bioprinted constructs supporting the development of more complex tissue and disease models for advancing drug discovery, tissue engineering, and regenerative medicine applications.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,000
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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 Opus0,032
Tête enseignante GPT0,336
Écart entre enseignants0,305 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTissue Engineering Part C MethodsMême sujet3D Printing in Biomedical ResearchTravaux en français237 207