A High‐Throughput AngioPlate Platform with Integrated AngioTEER for Modeling and Monitoring Renal Proximal Tubule Injury
Notice bibliographique
Résumé
Abstract Renal tubular injury is the leading cause of acute and chronic kidney diseases. This condition occurs when renal proximal tubular epithelial cells sustain damage from exposure to nephrotoxins, infections, or ischemia leading to tubular interstitial fibrosis and eventually organ failure. Despite its severity, the pathophysiology of several renal tubular injuries remains inadequately understood with no treatment due to lack of predictive preclinical models. Here a model of renal proximal tubules is reported on an AngioPlate platform integrated with Trans Electrical Epithelial Resistance measurements (AngioTEER) for automated, real‐time monitoring of tubular barrier integrity in 128 tissues in health and in response to injury. The platform is used to successfully model drug and hypoxia‐induced tubular injuries. In addition, the platform's use of amenable extracellular matrices is leveraged to model renal fibrosis by co‐culturing fibroblasts with renal proximal tubules. Given the lack of approved treatments for tubulointerstitial fibrosis, the possibility of repurposing pirfenidone is explored, a drug currently approved for lung fibrosis, and found that it may offer a potential therapeutic effect for this challenging condition. Overall, this work demonstrates the versatility of our engineered 3D renal proximal tubule model to study renal disease mechanisms and screen potential treatment options.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».