Development of an immunocompetent, innervated and vascularized human tissue-engineered skin model for the study of cutaneous neuro-immune interactions
Bibliographic record
Abstract
Les réactions immunitaires de la peau sont initiées par les cellules dendritiques cutanées (dendritic cells, DCs). L'effet potentiellement sensibilisateur d'un composé peut être prédit in vitro en utilisant des monocytes humains différenciés en DCs (MonoDCs). Cependant, ces modèles simplistes restent imprécis car l'activation des DCs cutanés par les sensibilisateurs peut être déclenchée ou modulée par des interactions microenvironnementales avec de multiples types de cellules non immunitaires. Notre objectif est de développer une peau immunocompétente qui combinera des MonoDCs avec tous les éléments structurels et fonctionnels de la peau, c'est-à-dire une barrière épidermique posée sur un derme contenant une pseudo-vascularisation et des neurones nociceptifs. Une matrice de collagène a été ensemencée avec des fibroblastes et des cellules endothéliales, puis avec des précurseurs de fibres nerveuses dérivées soit de l'iPSC humaine, soit de la DRG embryonnaire murins. Enfin, nous avons introduit les MonoDC et les kératinocytes. Nous avons observé que les neurones différenciés in situ innervent l'épiderme comme observé habituellement dans la peau humaine normale. De plus, les neurones dérivées d’iPSCs, expriment neuropeptides et canaux calcique spécifiques des fibres nociceptives. Enfin, les Mono-DC intégrés au modèle restent stable pendant toute la durée nécessaire à la formation de l’épiderme et peuvent être stimulé. Le modèle sera utilisé pour prédire le potentiel irritant des composés chimiques et l'impact de l’innervation nociceptive sur l'activation des DCs.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".