Con los recientes avances en nanotecnología, los nanotubos de carbono (CNT) se han estudiado ampliamente como sustratos para cultivos celulares, sistemas de administración de fármacos y materiales para implantes médicos. Sin embargo, se sabe sorprendentemente poco sobre el efecto de los CNT en los procesos celulares colectivos (por ejemplo, adhesión, proliferación y diferenciación). Esto lleva a la necesidad de una caracterización cuantitativa de la proliferación, diferenciación y mineralización de células madre mesenquimales (MSCs) en andamios de colágeno con CNTs multipared (MWCNTs). Para ello, se ha preparado un conjunto de andamios de colágeno con MWCNTs en los que tres tipos diferentes de MWCNTs están atrapados, respectivamente, en colágeno de tipo I reconstituido a cuatro concentraciones diferentes inferiores a 100 ppm; la diferenciación de las MSC se investiga mediante el seguimiento del factor de transcripción RunX2 (RunX), el factor de crecimiento transformante β (TGF-β), la fosfatasa alcalina (AP), la osteocalcina y los nódulos mineralizados de la matriz extracelular (ECM). En resumen, los andamios de MWCNT-colágeno indujeron aumentos significativos de la actividad de la AP y la mineralización de la ECM debido al aumento de la rigidez y la resistencia del andamio al atrapar los MWCNT. Esto ofrece la posibilidad de controlar la diferenciación de las MSC utilizando andamios de MWCNT-colágeno.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Efecto de la conductividad de la solución acuosa en el tamaño de la nanopartícula imprimible
Video:
Paul Laissue - De la genética clásica a la genómica funcional del siglo XXI - Parte 1/3
Artículo:
Métodos de localización Monte Carlo secuencial en redes móviles de sensores inalámbricos: Una revisión
Artículo:
Viabilidad de MammaPrint en un gran centro médico terciario urbano: Una experiencia inicial
Artículo:
Comparación y validación de modelos de aprendizaje profundo para el diagnóstico de la neumonía