使用机器学习和图形理论预测生物模拟纳米纤维支架的炎症反应,用于组织再生
Lakshmi Yaneesha Sujeeun1,2, Itisha Chummun Phul1, Nowsheen Goonoo1
1Biomaterials Drug Delivery and Nanotechnology Unit, Centre for Biomedical and Biomaterials Research (CBBR), University of Mauritius, Réduit, Mauritius. a.luximon@uom.ac.mu.
Journal of materials chemistry. B
|January 27, 2025
概括
机器学习和图形理论预测了巨细胞对纳米纤维支架的反应,模仿细胞外矩阵以更好地进行组织工程. 这种方法简化了脚手架的设计,以改善伤口愈合和组织再生.
科学领域:
- 生物材料科学 生物材料科学
- 组织工程是组织工程.
- 计算生物学 计算生物学
背景情况:
- 组织再生涉及炎症,增殖和重塑阶段,其中巨细胞起着至关重要的作用.
- 不愈合的伤口通常具有巨细胞陷入炎症状态,阻碍再生.
- 在纳米纤维支架中模仿原生细胞外矩阵 (ECM) 的复杂,层次的组织是具有挑战性的,但对于指导细胞行为至关重要.
研究的目的:
- 研究机器学习 (ML) 和图形理论 (GT) 的潜力,以预测巨对纳米纤维支架的反应.
- 简化生物仿真纳米纤维支架的设计,通过预测它们的几何和化学,以实现最佳的组织工程应用.
- 分析纳米纤维支架的复杂组织,并将其与本地ECM结构进行比较.
主要方法:
- 使用聚,多糖和聚乙烯制造了15个纳米纤维支架家族.
- 机器学习模型,特别是随机森林,被用来预测巨细胞的炎症反应 (例如,TNF-alpha产生).
- 扫描电子显微镜 (SEM) 图像使用CellProfiler和深度学习 (卷积神经网络) 来分析巨细胞表型分类 (M0,M1,M2).
- 图形理论被用来量化纳米纤维支架的复杂组织和连接模式.
主要成果:
- 随机森林模型在预测巨细胞炎症反应方面达到92.8%的准确性.
- CellProfiler有效地从SEM图像中提取特征,以分类巨细胞表型.
- 图形理论分析表明,电纳米纤维膜密切模仿本地ECM的连接模式.
- 深度学习模型显示了从SEM图像直接分类巨细胞表型的潜力.
结论:
- 细胞支架的机器学习辅助,图形理论定量化工程可以准确地预测细胞相互作用.
- 这种综合方法显著简化了设计有效组织工程支架的管道.
- 这项研究强调了一种强大的计算策略,用于开发用于再生医学的先进生物材料.
