Maschinelles Lernen zur Optimierung geometrisch begrenzter Herz-Organoide
2024
Syracuse University, Syracuse, USA
Stammzell-Organoide sind leistungsfähige Modelle für die Untersuchung der Organentwicklung, Krankheitsmodellierung, Arzneimittelprüfung und Anwendungen in der regenerativen Medizin. Die Konvergenz von Organoid-Technologie, Tissue Engineering und künstlicher Intelligenz (KI) könnte möglicherweise unser Verständnis der Designprinzipien für das Organoid-Engineering verbessern. In dieser Studie wurden Mikrostrukturierungstechniken eingesetzt, um eine Designer-Bibliothek mit 230 Herz-Organoiden mit 7 geometrischen Designs zu erstellen. Die Heterogenität einzelner Organoide wurde anhand von 10 physiologischen Parametern mithilfe von Manifold-Learning-Techniken analysiert. Die Herz-Organoide wurden anhand ihrer funktionalen Ähnlichkeit mithilfe von unüberwachten maschinellen Lernansätzen gruppiert und aufbereitet, wodurch einzigartige Funktionalitäten im Zusammenhang mit geometrischen Designs aufgezeigt wurden. Darüber hinaus wurde die entscheidende Rolle der transienten Anstiegszeit von Kalzium bei der Unterscheidung von Organoiden anhand geometrischer Muster und Clustering-Ergebnisse hervorgehoben. Diese Integration von Organoid-Engineering und maschinellem Lernen verbessert das Verständnis der Struktur-Funktions-Beziehungen in Herz-Organoiden und ebnet den Weg für ein kontrollierteres und optimierteres Organoid-Design.
Design optimization of geometrically confined cardiac organoids enabled by machine learning techniques
Zhen Ma
Eingestellt am: 08.07.2024
[1] https://www.cell.com/cell-reports-methods/fulltext/S2667-2375(24)00154-1
