From whole-organ imaging to in-silico blood flow modeling: A new multi-scale network analysis for revisiting tissue functional anatomy
Notice bibliographique
Résumé
We present a multi-disciplinary image-based blood flow perfusion modeling of a whole organ vascular network for analyzing both its structural and functional properties. We show how the use of Light-Sheet Fluorescence Microscopy (LSFM) permits whole-organ micro-vascular imaging, analysis and modelling. By using adapted image post-treatment workflow, we could segment, vectorize and reconstruct the entire micro-vascular network composed of 1.7 million vessels, from the tissue-scale, inside a ∼ 25 × 5 × 1 = 125mm3 volume of the mouse fat pad, hundreds of times larger than previous studies, down to the cellular scale at micron resolution, with the entire blood perfusion modeled. Adapted network analysis revealed the structural and functional organization of meso-scale tissue as strongly connected communities of vessels. These communities share a distinct heterogeneous core region and a more homogeneous peripheral region, consistently with known biological functions of fat tissue. Graph clustering analysis also revealed two distinct robust meso-scale typical sizes (from 10 to several hundred times the cellular size), revealing, for the first time, strongly connected functional vascular communities. These community networks support heterogeneous micro-environments. This work provides the proof of concept that in-silico all-tissue perfusion modeling can reveal new structural and functional exchanges between micro-regions in tissues, found from community clusters in the vascular graph.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».