MétaCan
Menu
Retour à la cohorte
Enregistrement W4411873584 · doi:10.1038/s41598-025-01344-0

Effect of intercellular collisions on red blood cell membrane damage

2025· article· en· W4411873584 sur OpenAlexafffund
Hristo Valtchanov, Renzo Cecere, Rosaire Mongrain

Notice bibliographique

RevueScientific Reports · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueBlood properties and coagulation
Établissements canadiensMcGill University Health CentreMcGill University
Organismes subventionnairesMcGill University Health CentreNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésIntracellularRed blood cellMembraneErythrocyte membraneCell biologyBlood cellChemistryCell membraneBiophysicsCellBiologyBiochemistryImmunology

Résumé

récupéré en direct d'OpenAlex

Modelling blood flow and particularly cellular damage induced by supra- and non-physiological blood-flow conditions is crucial when developing novel blood-exposed biomedical devices and treatments. Blood is composed of 30-50% red blood cells (RBCs) by volume, yet the mechanisms and effects of intercellular collisions are frequently neglected in red blood cell damage models. These effects are investigated by employing fully coupled 3D fluid structure-interaction simulations to simulate the collision processes in a Couette shear flow and to gauge their effect on the strain experienced by the RBC membrane as well as the transmembrane hemoglobin diffusion rate. Intercellular collisions are found to nearly double the membrane strain at hemolytic shear rates, with declining effect as the shear rate increases, and have a similar effect on sublethal hemoglobin diffusion. Viscoelastic simulations were conducted to examine the effect of incorporating membrane viscosity on the strain experienced by red blood cell membrane during collisions, and find minimal impact of incorporating viscoelasticity at high shear. Incorporating the effect of intercellular collisions is found to be a crucial factor for predicting stress-induced cellular damage under dynamic conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,302

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,250
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetBlood properties and coagulationTravaux en français237 207