Scalable Bioreactor-based Suspension Approach to Generate Stem Cell–derived Islets From Healthy Donor-derived iPSCs
Notice bibliographique
Résumé
BACKGROUND: Induced pluripotent stem cells (iPSCs) offer the potential to generate autologous iPSC-derived islets (iPSC islets), however, remain limited by scalability and product safety. METHODS: Herein, we report stagewise characterization of cells generated following a bioreactor-based differentiation protocol. Cell characteristics were assessed using flow cytometry, quantitative reverse transcription polymerase chain reaction, patch clamping, functional assessment, and in vivo functional and immunohistochemistry evaluation. Protocol yield and costs are assessed to determine scalability. RESULTS: Differentiation was capable of generating 90.4% PDX1 + /NKX6.1 + pancreatic progenitors and 100% C-peptide + /NKX6.1 + iPSC islet cells. However, 82.1%, 49.6%, and 0.9% of the cells expressed SOX9 (duct), SLC18A1 (enterochromaffin cells), and CDX2 (gut cells), respectively. Explanted grafts contained mature monohormonal islet-like cells, however, CK19 + ductal tissues persist. Using this protocol, semi-planar differentiation using 150 mm plates achieved 5.72 × 10 4 cells/cm 2 (total 8.3 × 10 6 cells), whereas complete suspension differentiation within 100 mL Vertical-Wheel bioreactors significantly increased cell yield to 1.1 × 10 6 cells/mL (total 105.0 × 10 6 cells), reducing costs by 88.8%. CONCLUSIONS: This study offers a scalable suspension-based approach for iPSC islet differentiation within Vertical-Wheel bioreactors with thorough characterization of the ensuing product to enable future protocol comparison and evaluation of approaches for off-target cell elimination. Results suggest that bioreactor-based suspension differentiation protocols may facilitate scalability and clinical implementation of iPSC islet therapies.
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 ».