MétaCan
Menu
Retour à la cohorte
Enregistrement W7034353057

Thermosensitive chitosan-based hydrogels for extrusion-based bioprinting and injectable scaffold for articular tissue engineering

2022· dissertation· fr· W7034353057 sur OpenAlexfundno aff

Notice bibliographique

RevuePapyrus : Institutional Repository (Université de Montréal) · 2022
Typedissertation
Languefr
DomaineComputer Science
ThématiqueAdversarial Robustness in Machine Learning
Établissements canadiensnon disponible
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésSelf-healing hydrogelsMicrosphereTissue engineeringBiocompatible materialScaffold
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

La bio-impression est une forme avancée de fabrication additive qui permet de créer des structures 3D vivantes (contenant des cellules) et de créer des modèles 3D de tissus ou, à plus long terme, des tissus implantables pour remplacer les tissus ou organes malades ou endommagés. La bio-impression connaît une croissance rapide mais doit faire face à plusieurs défis. L'un d'entre eux consiste à trouver des matériaux extrudables contenant des cellules (appelée bioencres) qui combinent toutes les propriétés requises. Les hydrogels de chitosan thermosensibles qui forment des solutions à température ambiante mais gélifient rapidement à la température du corps sont d’intéressants candidats comme bioencre mais à ce jour il n'y a pas encore eu de résultats convaincants démontrant leur potentiel. De plus, les méthodes rhéologiques permettant de prédire leur imprimabilité font toujours défaut. L'objectif général de ce doctorat était d'étudier et optimiser les hydrogels thermosensibles à base de chitosan fabriqué avec un mélange de deux bases faibles, (bêta-glycérophosphate et hydrogénocarbonate de sodium) pour la bio-impression par extrusion, notamment pour l'ingénierie des tissus articulaires. Nous avons tout d’abord développé une approche rhéologique pour évaluer leur potentiel en tant que bioencres. Les cinétiques de gélification à température ambiante et du corps ont été caractérisées. Puis les essais de viscosité et de récupération ont été adaptés pour prendre en compte l’absence de stabilité des gels. La fidélité de forme et les propriétés mécaniques des structures imprimées ont également été caractérisées en fonction du taux de cisaillement appliqué et les résultats corrélés avec les données rhéologiques. Nous avons démontré qu'il était possible d'imprimer une structure avec une fidélité et une maniabilité adéquate; cependant, une concentration élevée de chitosan (3%p/v) est nécessaire, ce qui entraîne un taux de mortalité élevé des cellules, tandis que réduire la concentration à 2%p/v entraîne une très mauvaise fidélité de la forme. Nous avons surmonté ces limites en utilisant une approche basée sur la bio-impression FRESH (Freeform reversible embedding of suspended hydrogel). Un bain de support chaud a été conçu afin de soutenir les structures bioprintées et d'améliorer la thermoréticulation du chitosan pendant l'impression. Cette approche augmente drastiquement la fidélité et les propriétés mécaniques des structures imprimées avec une concentration de chitosane (2% p/v) adaptée à l'encapsulation de cellules. ii Enfin, nous avons étudié l'impact du chargement de particules de bioverre osteoconducteurs dans ces hydrogels thermosensibles, en vue de leur utilisation pour la fabrication de tissus osseux minéralisés. Les propriétés mécaniques et la cytocompatibilité in vitro étant affectées de manière négative par l'ajout de bioglass, notre stratégie a consisté à concentrer le bioverre sous forme de microbilles, puis incorporer ces microbilles dans l'hydrogel à base de chitosan chargé de cellules. Cette nouvelle stratégie a permis d'améliorer considérablement les propriétés mécaniques et la viabilité des cellules. Cet hydrogel bioactif hybride n’est pas utilisable comme bioencre, mais il est injectable et pourrait être utilisé comme matrice injectable pour la régénération de défauts osseux. Cependant, il reste encore beaucoup d’optimisation à faire pour la bio-impression de tissus de gradient complexes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 GPT0,195
Écart entre enseignants0,188 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePapyrus : Institutional Repository (Université de Montréal)Même sujetAdversarial Robustness in Machine LearningTravaux en français237 207