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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».