Machine Learning in Automated Monitoring of Metabolic Changes Accompanying the Differentiation of Adipose-Tissue-Derived Human Mesenchymal Stem Cells Employing 1 H- 1 H TOCSY NMR.
Migdadi L., Sharar N., Jafar H., Telfah A., Hergenröder R., Wöhler C.
การศึกษาในห้องปฏิบัติการ ตีพิมพ์ในวารสาร Metabolites ปี 2023 — สรุปอัตโนมัติจากบทคัดย่อ PubMed
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
- ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
- ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
- ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
- ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
- กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง
ข้อมูลหน้านี้ดึงมาจากฐานข้อมูล PubMed โดยตรง คำอธิบายภาษาไทยเป็นสรุปอัตโนมัติจากข้อมูลบรรณานุกรมและบทคัดย่อ ไม่ใช่การแปลทั้งฉบับ และไม่ใช่คำแนะนำทางการแพทย์
- ประเภทการศึกษา
- การศึกษาในห้องปฏิบัติการ
- วารสาร
- Metabolites (2023)
- ประเทศ
- Switzerland
- จำนวนผู้เข้าร่วม (จากบทคัดย่อ)
- —
- แหล่งข้อมูล
- PubMed
- PMID
- 36984792
- DOI
- 10.3390/metabo13030352
บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)
The ability to monitor the dynamics of stem cell differentiation is a major goal for understanding biochemical evolution pathways. Automating the process of metabolic profiling using 2D NMR helps us to understand the various differentiation behaviors of stem cells, and therefore sheds light on the cellular pathways of development, and enhances our understanding of best practices for in vitro differentiation to guide cellular therapies. In this work, the dynamic evolution of adipose-tissue-derived human Mesenchymal stem cells (AT-derived hMSCs) after fourteen days of cultivation, adipocyte and osteocyte differentiation, was inspected based on 1 H- 1 H TOCSY using machine learning. Multi-class classification in addition to the novelty detection of metabolites was established based on a control hMSC sample after four days' cultivation and we successively detected the changes of metabolites in differentiated MSCs following a set of 1 H- 1 H TOCSY experiments. The classifiers Kernel Null Foley-Sammon Transform and Kernel Density Estimation achieved a total classification error between 0% and 3.6% and false positive and false negative rates of 0%. This approach was successfully able to automatically reveal metabolic changes that accompanied MSC cellular evolution starting from their undifferentiated status to their prolonged cultivation and differentiation into adipocytes and osteocy
สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์
- • งานวิจัยนี้ไม่ได้พิสูจน์ว่า SVF เป็นการรักษาที่ได้รับการรับรอง หรือใช้แทนการรักษามาตรฐานได้
- • เป็นการศึกษาก่อนคลินิก ผลในสัตว์ทดลองหรือห้องปฏิบัติการไม่สามารถนำมาสรุปผลในมนุษย์ได้
ระดับหลักฐาน
หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป
ดูวิธีจัดระดับหลักฐานดูงานวิจัยทั้งหมดที่เกี่ยวข้อง
กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้