HIGH-THROUGHPUT, OPTIMIZED PLATFORMS FOR 3D BIOPRINTING OF KIDNEY ORGANOIDS
Notice bibliographique
Résumé
Three-dimensional bioprinting has emerged as a transformative technology in tissue engineering, offering promising solutions for organ regeneration, drug screening, and disease modeling. However, challenges such as labor-intensive procedures, limited scalability, and inconsistencies in bioprinted tissue quality remain significant barriers to widespread application. This thesis addresses these challenges through three interrelated studies focused on advancing bioprinting systems. The first study addressed the critical need for organ-specific bioinks tailored to support tissue-specific functions. A photocrosslinkable bioink derived from decellularized porcine kidney extracellular matrix was developed, preserving native biochemical components and demonstrating favorable rheological properties optimized for digital light processing-based stereolithography and piston drive extrusion based bioprinting. This bioink supported high cell viability, enhanced human embryonic kidney cell proliferation, and promoted tissue-specific maturation, establishing its suitability for engineering functional renal tissue constructs. The second study developed a machine learning-assisted, high-throughput bioprinting platform with optimized control of critical parameters, including bioink viscosity, nozzle size, printing time, printing pressure, and cell concentration. A custom-designed bioprinter capable of producing multiple cellular droplets simultaneously was built, generating extensive image datasets used to train predictive models. Among the machine learning algorithms evaluated, the multilayer perceptron model achieved the highest prediction accuracy for droplet volume, while the decision tree model exhibited the fastest computational performance. This integrated system significantly improved precision and efficiency, laying a foundation for scalable bioprint. Finally, the third study demonstrated the practical application of the automated kidney organoid production. A custom-modified, low-cost extrusion based three-dimensional bioprinter was utilized to fabricate kidney organoids from human-induced pluripotent stem cell-derived nephron progenitor cells. These bioprinted organoids expressed key renal markers, including podocytes, tubular structures, and vascular components. Quantitative analysis of nephron-like structures further underscored the system's scalability and efficiency. Notably, the capability to produce organoids using as few as 8,000 cells highlights the platform’s suitability for high-throughput bioprinting applications. Collectively, these studies present a comprehensive framework integrating customized bioprinting platforms and developed bioinks, addressing critical challenges in the field. By significantly enhancing efficiency, scalability, and precision in organoid production, these advancements provide solutions and pave the way for impactful applications in tissue engineering and precision medicine.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».