Rapid prediction of lab-grown tissue properties using deep learning

要約

タイトル：ディープラーニングを用いた瞬時のラボ育成組織の特性予測

要約：
– 細胞と細胞外マトリックスの相互作用は、組織の自己組織化にとって重要である。
– 本論文では、機械学習ツールを使用して、細胞満載のハイドログルを井桁で育成する際のこの機械力学の役割を予測するための概念実証を行う。
– キース・シンメトリがあるモールド設計とないモールド設計を自動的に生成するプロセスを開発し、コントラクチャルネットワークダイポールオリエンテーション(CONDOR)モデルを使用して、細胞マトリックス相互作用の詳細な生物物理学的シミュレーションを実行し、$N=6500$の多数のトレーニングセットを作成する。
– これらのトレーニングセットは、\texttt{pix2pix}ディープラーニングモデルの実装のトレーニングに使用され、訓練と検証に未知の$740$例を残す。機械学習技術による予測と生物物理学的アルゴリズムの予約予測の比較により、機械学習アルゴリズムは優れた予測を行います。
– 機械学習アルゴリズムは、生物物理学的方法よりもはるかに高速であり、薬剤試験、再生医療、生物学の基礎研究の合理的な設計の可能性を開く。ファブリックと3D生体印刷のための将来の拡張機能により、追加のアプリケーションが開かれる。

要約(オリジナル)

The interactions between cells and the extracellular matrix are vital for the self-organisation of tissues. In this paper we present proof-of-concept to use machine learning tools to predict the role of this mechanobiology in the self-organisation of cell-laden hydrogels grown in tethered moulds. We develop a process for the automated generation of mould designs with and without key symmetries. We create a large training set with $N=6500$ cases by running detailed biophysical simulations of cell-matrix interactions using the contractile network dipole orientation (CONDOR) model for the self-organisation of cellular hydrogels within these moulds. These are used to train an implementation of the \texttt{pix2pix} deep learning model, reserving $740$ cases that were unseen in the training of the neural network for training and validation. Comparison between the predictions of the machine learning technique and the reserved predictions from the biophysical algorithm show that the machine learning algorithm makes excellent predictions. The machine learning algorithm is significantly faster than the biophysical method, opening the possibility of very high throughput rational design of moulds for pharmaceutical testing, regenerative medicine and fundamental studies of biology. Future extensions for scaffolds and 3D bioprinting will open additional applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI