Computational Modelling and Big Data Analysis of Flow and Drug Transport in Microfluidic Systems: A Spheroid-on-a-Chip Study
Notice bibliographique
Résumé
Microfluidic tumour spheroid-on-a-chip platforms enable control of spheroid size and their microenvironment and offer the capability of high-throughput drug screening, but drug supply to spheroids is a complex process that depends on a combination of mechanical, biochemical, and biophysical factors. To account for these coupled effects, many microfluidic device designs and operating conditions must be considered and optimized in a time- and labour-intensive trial-and-error process. Computational modelling facilitates a systematic exploration of a large design parameter space via in silico simulations, but the majority of in silico models apply only a small set of conditions or parametric levels. Novel approaches to computational modelling are needed to explore large parameter spaces and accelerate the optimization of spheroid-on-a-chip and other organ-on-a-chip designs. Here, we report an efficient computational approach for simulating fluid flow and transport of drugs in a high-throughput arrayed cancer spheroid-on-a-chip platform. Our strategy combines four key factors: i) governing physical equations; ii) parametric sweeping; iii) parallel computing; and iv) extensive dataset analysis, thereby enabling a complete “full-factorial” exploration of the design parameter space in combinatorial fashion. The simulations were conducted in a time-efficient manner without requiring massive computational time. As a case study, we simulated >15,000 microfluidic device designs and flow conditions for a representative multicellular spheroids-on-a-chip arrayed device, thus acquiring a single dataset consisting of ∼10 billion datapoints in ∼95 GBs. To validate our computational model, we performed physical experiments in a representative spheroid-on-a-chip device that showed excellent agreement between experimental and simulated data. This study offers a computational strategy to accelerate the optimization of microfluidic device designs and provide insight on the flow and drug transport in spheroid-on-a-chip and other biomicrofluidic platforms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».