Protocol for generating and characterizing a nasal epithelial model using imaging with application for respiratory viruses
Notice bibliographique
Résumé
Air-liquid interface (ALI) culture can differentiate airway epithelial cells to recapitulate the respiratory tract in vitro . Here, we present a protocol for isolating and culturing nasal epithelial cells from turbinate tissues for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection. We describe steps to overcome challenges of imaging fragile cultures, detect the production of mucus, and quantify intracellular virus post-SARS-CoV-2 infection. We present data on the optimal duration of ALI maturation prior to experimentation and describe which steps can be altered to optimize testing of specific hypotheses. • Isolation of primary nasal epithelial cells from donor tissue turbinate • Generation and characterization of an in vitro nasal model by air-liquid interface • Double-embedding and antigen retrieval for histology and immunohistochemistry staining • Application of a matured 42-day nasal epithelial model on SARS-CoV-2 infection Publisher’s note: Undertaking any experimental protocol requires adherence to local institutional guidelines for laboratory safety and ethics. Air-liquid interface (ALI) culture can differentiate airway epithelial cells to recapitulate the respiratory tract in vitro . Here, we present a protocol for isolating and culturing nasal epithelial cells from turbinate tissues for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection. We describe steps to overcome challenges of imaging fragile cultures, detect the production of mucus, and quantify intracellular virus post-SARS-CoV-2 infection. We present data on the optimal duration of ALI maturation prior to experimentation and describe which steps can be altered to optimize testing of specific hypotheses.
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 | 0,000 |
| 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 ».