MétaCan
Menu
Retour à la cohorte
Enregistrement W4414015848 · doi:10.11159/icbes25.134

Robotic Laser Microscope Systems for Tissue-Level Investigation: Applications in Collagen and Drosophila Brain Tissues

2025· article· en· W4414015848 sur OpenAlexvenueno aff
Jiayu Hu, X. Ye, Huiying Huang, Zachary Wang, Veronica Gomez‐Godinez, Linda Shi

Notice bibliographique

RevueProceedings of the World Congress on Electrical Engineering and Computer Systems and Science · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCell Image Analysis Techniques
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of California, San Diego
Mots-clésBrain tissueMicroscopeLaserBiomedical engineeringMaterials scienceComputer scienceOpticsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Short pulsed Laser-induced microscope systems present a powerful tool for inducing precise and localized damage in live cells to investigate fundamental biomechanics and cellular response pathways.Traditionally applied to live-cell damage in research areas such as DNA repair, cellular biomechanics, chromatin structure during mitosis, and mitotic checkpoint regulation, and neurodegenerative diseases, we explore the application of two platforms-femtosecond laser ablation and laser-induced shockwaves (LIS)-for analysing on tissue level changes in collagen fibers and brain tissues from Drosophila.Our collagen fiber study demonstrates a measurable 30% increase in tissue thickness surrounding the ablation zone, captured using quantitative phase imaging (QPI).Concurrently, LIS investigation of fly brain morphology reveals that total volume, rather than shape, determines resistance to mechanical shock.These studies reinforce the adaptability of laser-induced microscope systems across biological scales, highlighting their application in tissue engineering, neurodegenerative diseases, and regenerative medicine.

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)0,000
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 enseignants0,478
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 GPT0,242
Écart entre enseignants0,235 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Electrical Engineering and Computer Systems and ScienceMême sujetCell Image Analysis TechniquesTravaux en français237 207