Bibliographic record
Abstract
La bioinspiration consiste à analyser les systèmes naturels qui se sont adaptés parfaitement à leurs environnements pour développer des solutions ingénieuses. Ce projet de thèse aborde la thématique de la lubrification articulaire dans le but de développer un traitement contre l'ostéoarthrite (OA). Nous nous sommes inspirés des articulations synoviales, systèmes tribologiques très performants grâce aux interactions synergiques entre la structure unique du cartilage et les molécules lubrifiantes (ML) du fluide synovial (SF). Cependant, lors de l'OA des mécanismes inflammatoires et d'érosion mécanique aboutissent à la dégénérescence progressive du cartilage et la dégradation spécifique des ML du SF (aggrécane et lubricine). Des mimes des ML du SF ont été synthétisés reprenant leur structure particulière dite en écouvillon moléculaire (BB), structure responsable de la lubrification. Des tests tribologiques (SFA, tribomètre) ont montré que les BB garantissent à la fois une faible friction et une résistance à l'usure sur des surfaces dures de mica. Ceci est dû à la présence, sur nos EM, de groupements d'ancrage spécifiques assurant l’adsorption sur la surface de mica et à la formation d'enchevêtrements et d’interactions intermoléculaires avec l'acide hyaluronique de haut poids moléculaire, composant essentiel du SF. Des mimes de cartilage à base d'hydrogels de chitosane multicouches ont été également réalisés reprenant les principales propriétés architecturales du cartilage. En combinaison avec nos EM, ces hydrogels, matériaux poroélastiques fragiles, sont capables d’être lubrifiés avec une friction dans la gamme physiologique et une nette amélioration de leur usure.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".