Microengineered diabetic wound-on-a-chip model for emulating chronic wound dynamics
Notice bibliographique
Résumé
systems and animal models often fail to replicate the intricate cellular interactions and microenvironmental complexity of human diabetic wounds. To address this gap, a humanized 3D diabetic wound-on-a-chip (DWOC) model was developed to simulate key aspects of diabetic wound pathology under physiologically relevant conditions. This four-channel microfluidic platform integrates human dermal fibroblasts and macrophages within a collagen I matrix to mimic the dermis, alongside endothelial cells embedded in Matrigel to represent the vascular compartment. The system was subjected to hyperglycemic conditions with added advanced glycation end-products (AGEs) and lipopolysaccharide (LPS), alongside normoglycemic controls. Cellular viability, extracellular matrix (ECM) remodeling, myofibroblast differentiation, angiogenesis, and intercellular signaling were assessed using immunofluorescence markers (CD68, α-SMA, CD31, VE-cadherin, SLUG). Cytokine profiling (ELISA, multiplex assays) evaluated inflammatory responses. The DWOC effectively replicated hallmarks of diabetic wound pathology, including impaired ECM remodeling, disrupted dermal-vascular cell crosstalk, defective angiogenesis, and signs of endothelial-to-mesenchymal transition (EndMT) in endothelial cells under diabetic stress. Elevated pro-inflammatory markers (IL-1β, TNF-α, MMP9) and reduced anti-inflammatory/angiogenic factors (IL-10, VEGF-A) reflected the chronic inflammatory and angiogenic imbalance characteristic of non-healing diabetic ulcers. This advanced DWOC platform offers a physiologically relevant, human-specific model for studying diabetic wound healing, highlighting endothelial-to-mesenchymal transition as a critical pathological feature and enabling preclinical evaluation of targeted therapies.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».