A three-dimensional lattice-free agent-based model of intracellular ice formation and propagation and intercellular mechanics in liver tissues
Notice bibliographique
Résumé
A successful cryopreservation of tissues and organs is crucial for medical procedures and drug development acceleration. However, there are only a few instances of successful tissue cryopreservation. One of the main obstacles to successful cryopreservation is intracellular ice damage. Understanding how ice spreads can accelerate protocol development and enable model-based decision-making. Previous models of intracellular ice formation in individual cells have been extended to one-cell-wide arrays to establish the theory of intercellular ice propagation in tissues. The current lattice-based ice propagation models do not account for intercellular forces resulting from cell solidification, which could lead to mechanical disruption of tissue structures during freezing. Moreover, these models have not been expanded to include more realistic tissue architectures. In this article, we discuss the development and validation of a stochastic model for the formation and propagation of ice in small tissues using lattice-free agent-based model. We have improved the existing model by incorporating the mechanical effects of water crystallization within cells. Using information from previous research, we have also created a new model that accounts for ice growth in tissue slabs, spheroids and hepatocyte discs. Our model demonstrates that individual cell freezing can have mechanical consequences and is consistent with earlier findings.
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) | 0,000 | 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 | 0,000 |
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 ».