相关实验视频
Updated: Jun 29, 2025
08:23
Finite Element Modelling of a Cellular Electric Microenvironment
Published on: May 18, 2021
3.4K
基于图形网络的多细胞动力学模拟,由缩聚合物刷修饰纤维素纳米纤维驱动
Chiaki Yoshikawa1, Duc Anh Nguyen2, Tadashi Nakaji-Hirabayashi3,4
1Research Center for Functional Materials, National Institute for Materials Science (NIMS), Tsukuba, Ibaraki 305-0047, Japan.
ACS biomaterials science & engineering
|March 28, 2024
概括
一个图形神经网络模拟器预测细胞组合用于组织再生. 这个计算工具减少了创建3D细胞结构所需的实验,加速了再生医学的进步.
科学领域:
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
- 再生医学是一种再生医学.
背景情况:
- 3D细胞结构操纵是组织修复和再生的关键.
- 目前的方法需要进行广泛的实验,以使用纤维素纳米纤维 (CNF) 和缩聚合物刷 (CPB) 进行最佳的细胞组装.
研究的目的:
- 开发一种用于预测3D细胞组装动态的计算工具.
- 为了减少实验负担,优化工程组织的条件.
主要方法:
- 开发了一个图形神经网络模拟器 (GNS),在细胞自我组装的时间序列图像上进行训练.
- 图像被转换成图形,细胞作为节点,连接作为边缘.
- 在不同的培训和测试数据条件下评估了GNS性能.
主要成果:
- GNS准确地预测了未来的细胞组装状态,即使训练和测试数据之间的实验条件不同.
- 模拟器成功地根据最初的24小时图像预测了组装后3周的细胞类型.
- 在经过测试的场景中,GNS表现出强的性能.
结论:
- 开发的GNS可以有效地预测复杂的细胞组装过程.
- 这种方法显著减少了优化3D细胞结构制造所需的实验数量.
- 通过简化组织工程工作流程,GNS有可能加速再生医学的进步.
