机器学习和代谢学预测二维和三维培养中的中酶体干细胞骨质分化

科学领域:

• 生物技术和再生医学 生物技术和再生医学
• 代谢学和机器学习应用程序
• 干细胞分化分析分析

背景情况:

• 干细胞对于人工骨移植至关重要,但差异化变异性带来了挑战.
• 确保干细胞产品的持续质量对于可预测的患者结果至关重要.
• 奥米克分析提供了在生物制造过程中评估干细胞属性的工具.

研究的目的:

• 通过代谢学和机器学习来比较骨质分化的质量.
• 开发一个强大的评估工具,以干细胞为基础的骨移植产品.
• 评估这些方法在二维和三维细胞培养中的实用性.

主要方法:

• 气色谱-质谱 (GC-MS) 用于代谢学分析.
• 开发和训练使用11个关键代谢物的XGboost机器学习模型.
• 在独立的2D和3D细胞培养样本上对模型的性能进行基准测试.

主要成果:

• 该XGboost模型准确地区分了从未分化的带血中介质干细胞 (UCB MSCs) 区分出来的基因.
• 该模型在3D UCB MSC培养物中捕获骨质生成的高性能 (AUC 82.6%).
• 该模型显示了沃顿果MSC的表现不佳 (AUC56.2%),反映了它们已知的骨质性表现不佳.
• 矿化与烟酸盐,糖醇和肌肉中毒醇水平有很强的相关性.

结论:

• 代谢学与机器学习相结合,提供了一种可靠的方法来评估干细胞分化质量.
• 这种方法可以作为高级治疗药物功效测试.
• 这些发现支持开发用于干细胞治疗的标准化质量控制措施.