Automate tissue processing with STEMprep™ for versatile sample preparation 3334
Notice bibliographique
Résumé
Abstract Description Tissue environments are specialized to support distinct functions. Analyzing cell interactions and gene expression within tissues is essential for advancing tissue research and understanding disease mechanisms. Tissue samples must first be processed with protocols that preserve cell viability, yield and functionality. However, achieving an optimal balance between enzymatic and mechanical dissociation for tissues can be time-consuming and technically demanding. To address this, we developed the STEMprep™ Tissue Dissociation system to efficiently generate single cells from tissue samples. This system features an instrument with integrated temperature control and tissue-specific programs, specialized sample tubes, and kits for enzymatic digestion. Our results demonstrate high cell viability and yield for mouse spleen (95.3 ± 2.7%, 1.2E8 ± 3.2E7 cells/tissue), brain (89.2 ± 4.7%, 2.6E6 ± 5.6E5 cells/tissue), lung (90.6 ± 2.9%, 1.5E7 ± 4.0E6 cells/tissue), liver (90.0 ± 5.1%, 6.1E7 ± 6.7E7 cells/tissue), and CT26 tumors (82.9 ± 6.1%, 2.6E4 ± 1.3E4 cells/mg tissue). STEMprep™-processed samples are compatible with EasySep™ cell isolation, and functional in cell-specific downstream assays. High-quality RNA can also be extracted directly using a homogenization protocol, enabling gene analysis workflows. The STEMprep™ Tissue Dissociation system streamlines tissue processing compared to manual procedures, enhancing consistency, throughput, and efficiency to accelerate tissue research. Topic Categories Technological Innovations in Immunology (TECH)
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,015 |
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 ».