An Automation Workflow for High‐Throughput Manufacturing and Analysis of Scaffold‐Supported 3D Tissue Arrays
Notice bibliographique
Résumé
Patient-derived organoids have emerged as a useful tool to model tumour heterogeneity. Scaling these complex culture models while enabling stratified analysis of different cellular sub-populations, however, remains a challenge. One strategy to enable higher throughput organoid cultures is the scaffold-supported platform for organoid-based tissues (SPOT). SPOT allows the generation of flat, thin, and dimensionally-defined microtissues in both 96- and 384-well plate footprints that are compatible with longitudinal image-based readouts. SPOT is currently manufactured manually, however, limiting scalability. In this study, an automation approach to engineer tumour-mimetic 3D microtissues in SPOT using a liquid handler is optimized and comparable within- and between-sample variation to standard manual manufacturing is shown. Further, a liquid handler-supported cell extraction protocol to support single-cell-based end-point analysis using high-throughput flow cytometry and multiplexed cytometry by time of flight is developed. As a proof-of-value demonstration, 3D complex tissues containing different proportions of tumour and stromal cells are generated to probe the reciprocal impact of co-culture. It is also demonstrated that primary patient-derived organoids can be incorporated into the pipeline to capture patient-level tumour heterogeneity. It is envisioned that this automated 96/384-SPOT workflow will provide opportunities for future applications in high-throughput screening for novel personalized therapeutic targets.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 ».