The role of helminth and microbiome-derived metabolites in the healing of inflammatory bowel diseases related wounds «in vitro»
Bibliographic record
Abstract
Durant les dernières décennies, l’Amérique du Nord et l’Europe ont été confrontées à une nouvelle épidémie : les maladies inflammatoires chroniques de l’intestin (MICI). Approximativement 1 Canadien sur 150 souffre d’une maladie auto inflammatoire incurable. Les MICI comprennent des maladies telles que la maladie de Crohn et la colite ulcérative, lesquelles provoquent une inflammation de certaines parties du tube digestif. Aujourd’hui, les traitements disponibles sont parfois ineffectifs et peuvent être très chers. Cependant, de nouveaux types de thérapies sont en train d’émerger grâce aux découvertes faites sur la relation entre les patients souffrant de MICI et les helminthes. La thérapie helminthique et la thérapie microbiologiques sont de nouvelles disciplines de recherche qui se concentrent sur l’utilisation des infections helminthiques et des métabolites microbiologique comme possibles traitements pour les MICI. Aucune étude n’a encore examiné les capacités des métabolites helminthiques et microbiologiques dans la guérison des blessures liées aux MICI. En utilisant un test de rayure sur un modèle intestinal in vitro composé de la ligne cellulaire Caco-2 nous visons à évaluer quelle espèce d’helminthes ou quelle métabolite dérivée du microbiome a la meilleure capacité de guérison. Notre dépistage a montré que le métabolite d’Ascaris suum (50% ACN) à une concentration de 150mg/ml, le métabolite d’acide m-tolyacetique à une concentration de 300µM et le métabolite d’acide urocanique à 10000 µM ont guéri les blessures plus rapidement que le reste des métabolites helminthiques et microbiologiques testées. Nous avons aussi développé une nouvelle plateforme in vitro qui peut être utilisée pour le dépistage des aptitudes de guérison cellulaire de différentes métabolites et composés chimiques
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".