<scp>3D</scp> Bioprinting a Novel Skin Co‐Culture Model Using Human Keratinocytes and Fibroblasts
Notice bibliographique
Résumé
3D bioprinting can generate the organized structures found in human skin for a variety of biological, medical, and pharmaceutical applications. Challenges in bioprinting skin include printing different types of cells in the same construct while maintaining their viability, which depends on the type of bioprinter and bioinks used. This study evaluated a novel 3D bioprinted skin model containing human keratinocytes (HEKa) and human dermal fibroblasts (HDF) in co-culture (CC) using a high-viscosity fibrin-based bioink produced using the BioX extrusion-based bioprinter. The constructs containing HEKa or HDF cells alone (control groups) and in CC were evaluated at 1, 10, and 20 days after bioprinting for viability, immunocytochemistry for specific markers (K5 and K10 for keratinocytes; vimentin and fibroblast specific protein [FSP] for fibroblasts). The storage, loss modulus, and viscosity properties of the constructs were also assessed to compare the effects of keratinocytes and fibroblasts individually and combined, providing important insights when bioprinting skin. Our findings revealed significantly higher cell viability in the CC group compared to individual keratinocyte and fibroblast groups, suggesting the combined cell presence enhanced survival rates. Additionally, proliferation rates of both cell types remained consistent over time, indicating non-competitive growth within the construct. Interestingly, keratinocytes exhibited a greater impact on the viscoelastic properties of the construct compared to fibroblasts, likely due to their larger size and arrangement. These insights contribute to optimizing bioprinting strategies for skin tissue engineering and emphasize the important role of different cell types in 3D skin models.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».