論文の概要: Rapid prediction of lab-grown tissue properties using deep learning
- arxiv url: http://arxiv.org/abs/2303.18017v1
- Date: Fri, 31 Mar 2023 12:49:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:04:48.307884
- Title: Rapid prediction of lab-grown tissue properties using deep learning
- Title（参考訳）: 深層学習による実験室組織特性の迅速予測
- Authors: Allison E. Andrews, Hugh Dickinson and James P. Hague
- Abstract要約: テザリング型で培養したセルラーデンハイドロゲルの自己組織化におけるメカノビロジーの役割を機械学習ツールを用いて予測する。
機械学習アルゴリズムはバイオ物理法よりもはるかに高速である。
足場と3Dバイオプリンティングのための将来の拡張は、追加のアプリケーションを開く。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: 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不可欠である。
本稿では, テザリング型で培養したセルラーデンハイドロゲルの自己組織化におけるメカノビロジーの役割を予測するために, 機械学習ツールを用いた概念実証を行う。
キー対称性を伴わずにモールド設計を自動生成するプロセスを開発する。
我々は, 収縮性ネットワーク双極子配向(CONDOR)モデルを用いて, 細胞-マトリクス相互作用の詳細な生体物理シミュレーションを行い, このモールド内のセルヒドロゲルの自己組織化を図った。
これらは‘texttt{pix2pix}ディープラーニングモデルの実装をトレーニングするために使用され、トレーニングと検証のためにニューラルネットワークのトレーニングに見えない740ドルのケースを保存する。
機械学習手法の予測と生物物理アルゴリズムの予備予測との比較により,機械学習アルゴリズムが優れた予測を行うことを示す。
機械学習アルゴリズムは、バイオ物理法よりもはるかに高速で、医薬品検査、再生医療、生物学の基礎研究のためのモールドの非常に高いスループットの合理的設計の可能性を開く。
足場と3Dバイオプリンティングのための将来の拡張は、追加のアプリケーションを開く。
関連論文リスト
- Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - MIML: Multiplex Image Machine Learning for High Precision Cell
Classification via Mechanical Traits within Microfluidic Systems [1.1675184588181313]
我々は、新しい機械学習フレームワーク、Multiformx Image Machine Learning (MIML)を開発した。
MIMLは、ラベルのない細胞画像と生体力学的特性データを組み合わせて、各細胞に固有の、しばしば使われにくい形態情報を利用する。
このアプローチにより、細胞分類における98.3%の精度が著しく向上し、単一のデータ型のみを考慮するモデルよりも大幅に改善された。
論文 参考訳（メタデータ） (2023-09-15T14:23:51Z) - Realizing Molecular Machine Learning through Communications for
Biological AI: Future Directions and Challenges [4.059849656394191]
分子機械学習(MML)に向けて、従来の装置よりもはるかに小さいスケールと媒体について検討する。
MMLの操作の基礎は、化学反応を通じて分子によって伝播される情報の輸送、処理、解釈である。
私たちは将来的な方向性と、この分野が解決できる課題に注目します。
論文 参考訳（メタデータ） (2022-12-22T17:53:25Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-17T12:10:26Z) - Inference of cell dynamics on perturbation data using adjoint
sensitivity [4.606583317143614]
データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。
最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。
本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
論文 参考訳（メタデータ） (2021-04-13T19:15:56Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。