使用深度学习,快速预测实验室培养的组织特性
Allison E Andrews1, Hugh Dickinson1, James P Hague1
1School of Physical Sciences, The Open University, Milton Keynes MK7 6AA, United Kingdom.
Physical biology
|October 4, 2023
概括
机器学习准确地预测水凝自我组织中的细胞矩阵相互作用. 这种人工智能方法加速了用于医学和研究的工程组织的设计.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
背景情况:
- 细胞-细胞外矩阵相互作用对于组织自我组织至关重要.
- 机械生物学在充满细胞的水凝的行为中起着关键作用.
研究的目的:
- 展示机器学习 (ML) 的使用,用于预测细胞载荷水凝自我组织中的机械生物学.
- 开发一种自动化方法,用于生成用于水凝生长的多种模具设计.
主要方法:
- 自动生成具有不同对称性的绑定模具设计.
- 使用生物物理模拟 (收缩网络双极方向模型) 创建一个大型数据集 (N=6400).
- 用模拟数据和未见案例的测试训练一个pix2pix深度学习模型.
主要成果:
- 与生物物理模拟相比,ML模型实现了卓越的预测准确性.
- 机器学习方法显示了比传统的生物物理方法快得多的计算时间.
- 该研究验证了ML在组织工程中的高通量设计的潜力.
结论:
- 机器学习为理解和预测细胞-凝自我组织提供了一个强大而高效的工具.
- 这种人工智能驱动的方法促进了用于药物测试和再生医学应用的模具的合理设计.
- 未来的工作可以将这种方法扩展到脚手架和3D生物打印.
更多相关视频
10:37Fabrication of 3D Cardiac Microtissue Arrays using Human iPSC-Derived Cardiomyocytes, Cardiac Fibroblasts, and Endothelial Cells
Published on: March 14, 2021
6.5K
07:29Author Spotlight: Advanced Techniques for Characterizing Tissue Mineralization in Bone Regeneration Research
Published on: September 27, 2024
776
