Microfluidic Synthesis of Collagen‐Based Microgels for Tissue Engineering Applications
Notice bibliographique
Résumé
ABSTRACT To expand the use of collagen‐based biomaterials beyond their current applications in three‐dimensional (3D) cell culture, tissue engineering, and biofabrication, limitations such as poor shear‐thinning behavior and poor control over porosity during gelation need to be overcome. Granular biomaterials promise to address these constraints, however their uniform and scalable preparation from extracellular matrix materials is challenging. To address this need, we employed a droplet microfluidic approach and prepared irregularly shaped microgels of fibrillar collagen and collagen‐glycosaminoglycan (GAG) copolymer in a continuous oil phase, at rates of up to 5500 s−1. The approach allowed us to tune the average microgel size from 40 to 170 µm. Microgels obtained after removal of the oil phase were found to promote the attachment and proliferation of human fibroblasts and mesenchymal stromal/stem cells. Granular materials prepared with packing densities exceeding 65 vol% exhibited shear‐thinning rheological behavior, a requirement for use as injectable biomaterials and bioinks. Cell‐containing granular biomaterials contracted 2.8 times less than thermally gelled matrices of comparable collagen and cell concentration. In a case study, a skin tissue model prepared from a fibroblast containing collagen‐GAG (CG) microgels layer covered with an epithelium revealed immunohistochemical markers associated with intact human skin after month‐long air–liquid interface (ALI) culture.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».