XiaoMi-AI文件搜索系统
World File Search SystemhiPSC
干细胞研究
根据全基因组关联研究 (GWAS)，许多基因位点与 2 型糖尿病患病率相关。其中，位于人类染色体 9P21.3 区域的 INK4 基因位点编码一个细胞周期依赖性激酶抑制剂家族（称为 p16 INK4a、p15 INK4b 和 p14 ARF），可抑制细胞周期依赖性激酶 CDK4 和 6。此外，一个名为 ANRIL 的非编码 RNA 位于该基因位点内，与其他三个基因相比，其转录方向相反（图 1 A）（Cunnington 等人，2010 年；Popov 和 Gil，2010 年）。重要的是，INK4 基因座含有六个与 T2D 相关的单核苷酸多态性 (SNP)，称为 rs2383208、rs10965250、rs10811661、rs10757283、rs1333051 和 rs7018475，位于 ANRIL 基因下游 8 kb 基因组区块 (INK4 T2D 风险区域) 中 (图 1 A) (Pasmant 等人，2010)。然而，这些 SNP 是否与 T2D 有因果关系以及它们如何调节 INK4 基因座尚不清楚。为了提供一种能够对 INK4 基因座的 T2D 关联 SNP 进行功能分析的工具，我们旨在生成缺少此 INK4 -T2D 风险区域的两个等位基因（纯合或双等位基因缺失）的 hiPSC 系。为此，我们使用我们最近建立的 hiPSC 系 (HMGUi001-A-1) (Wang et al., 2018) 通过 CRISPR/Cas9 基因组编辑系统进行基因靶向。由于靶向的是低保守性非编码 DNA，因此首先对 INK4 -T2D 风险区域上游（A 区域）和下游（B 区域）的 CRISPR 靶位点进行测序。然后，设计两组正向和反向引物（FA、RA；FB、RB）用于扩增 sgRNA 位点的边界区域（两个双链断裂）。接下来，设计具有高特异性得分的单向导RNA（sgRNA1和sgRNA2），并将其克隆到CRISPR表达载体中。通过Gibson组装克隆，我们生成了双sgRNA CRISPR/Cas9-GFP载体，
对心脏组织工程中机器学习方法的审查
心脏组织工程（CTE）有望应对心血管疾病所带来的临床挑战，这是全球死亡率的主要原因。人类诱导的多能干细胞（HIPSC）是心脏再生疗法的关键，提供了免疫同相的高密度细胞来源。然而，HIPSC衍生的心肌细胞（HIPSC-CMS）表现出重要的功能性降低，这些功能尚未得到充分了解，从而阻碍了其临床部署。我们认为，机器学习（ML）可以通过强大的数学模型和预测来改善这些细胞的表型和功能来克服这些挑战。本评论论文探讨了ML在推进CTE中的变革性作用，并在相关的ML算法上提出了底漆。我们关注ML最近如何解决CTE中的六个关键挑战：细胞分化，形态，钙处理和细胞细胞耦合，收缩和组织组装。纸质调查了常见的ML模型，从基于树的和概率到神经网络和深度学习，说明了它们的应用，以更好地了解HIPSC-CM行为。在确认与整合ML相关的挑战时，例如有限的生物医学数据集，学习数据的计算成本以及模型的可解释性和可靠性，我们研究了改进的建议，并强调了更广泛和多样化的数据集，这些数据集将更广泛，更多样化的数据集包含时间和成像，并通过合成生成生成模型增强。通过将ML与数学模型和现有专家知识相结合，我们预见了一项富有成果的合作，将创新的数据驱动模型与生物物理知识模型结合在一起，有效地缩小了CTE内的差距。
图S1。 LV，RV，SN和HIPSC的RNA-Seq分析以及2024; 14（5）：2099-2126。 doi：10.7150/thno.93088审查组织再生的工程外泌体和复合生物材料
外泌体是由脂质双层包围并由许多细胞类型释放的小囊泡，由于其能够充当具有治疗潜力的疾病和药剂的能力，因此被广泛分散，并在再生医学领域受到了越来越多的关注。外泌体在细胞之间通过许多生物分子的转移，包括蛋白质，脂质，RNA和其他分子成分，在介导细胞间通信中起着至关重要的作用。蛋白质和核酸向特定细胞的靶向运输具有增强或损害特定生物学功能的潜力。外泌体具有许多应用，可以单独使用或与其他治疗方法结合使用。对这些因素的独特属性和许多功能的检查已成为生物医学研究领域的重要研究领域。此手稿总结了外泌体的起源和特性，包括它们的结构，生物学，物理和化学方面。本文对组织修复和再生医学的最新进展进行了完整的研究，强调了这些方法在即将发生的组织再生尝试中的可能影响。
Danny D. Nedialkova
蛋白质几乎介导了几乎所有的生物过程，并且细胞中的合成和折叠由复杂的分子网络策划，其中包含数千种RNA和蛋白质因子。该网络如何满足开发，分化和细胞状态过渡的蛋白质组的快速变化需求，尚不清楚。我们的研究试图定义如何在不同的细胞环境中调节蛋白质生命的出生和形成性的第一分钟，其长期目标是理解为什么某些细胞类型特别容易受到疾病中蛋白质稳态失衡的影响。为了以分子和细胞量表来解决这些问题，我们在人类诱导的多能干细胞（HIPSC）模型中开发和应用范围范围的基因组方法，功能基因组学和细胞生物化学。我们使用这种多尺度方法来发现和机械地剖析跨不同人类细胞类型的新生儿蛋白质组的调节事件。
Cellartis® iPSC CRISPR/Cas9 Gesicle 和单细胞克隆系统用户手册
一旦 Cas9/sgRNA RNP 复合物通过囊泡递送并恢复细胞，就必须分离单细胞并将其扩增成克隆细胞系，以便分离和筛选目标基因型（图 3）。传统上，从作为菌落生长和传代的 hiPS 细胞建立克隆群效率低、困难且耗时；通常会导致细胞死亡或过早分化。然而，Cellartis iPSC CRISPR/Cas9 囊泡和单细胞克隆系统的细胞培养组件包含一个确定的培养系统（Cellartis DEF-CS™ 培养系统，由基础培养基、涂层和添加剂组成），可有效进行单细胞克隆和扩增编辑的 hiPSC 克隆。 DEF-CS 培养系统是一种基于单层的培养系统，它通过允许单细胞传代、促进接种单细胞的存活和进一步扩增以及保留这些细胞的多能性，克服了基于菌落的培养所面临的挑战。
GABA能中的内神经多样性和组织对于脑器官中人类特异性功能神经网络至关重要
这项迷你综述调查了GABA能中间神经元对人诱导的多能干细胞（HIPSC）衍生的脑类器官的网络功能的重要性。提出的证据表明，GABA能中间神经元的丰度，多样性和三维皮质组织是负责创建同步神经元模式的主要要素。没有复杂的抑制作用，耦合的振荡模式无法达到足够的复杂性来传递构成生理网络功能的时空信息。此外，人类特异性的大脑网络功能似乎是由一个更复杂和相互连接的抑制结构介导的，与啮齿动物相比，这种抑制结构在更长的时间内保持发育能力。这表明啮齿动物模型无法捕获人脑网络的几种特征，这强调了需要在体外充分模仿生理人脑功能的类器官等模型系统。
人类诱导多能干细胞心肌细胞中的心脏钙调节：对疾病建模和成熟的影响
人类诱导的多能干细胞心肌细胞（HIPSC-CMS）基于具有显着影响的心血管研究的开创性技术。他们为各种应用提供了可再生的人类心肌细胞来源，包括体外疾病建模和药物毒性测试。心脏钙调节在心肌细胞中起着至关重要的作用，并且在心血管疾病中通常失调。由于人类心脏组织的可用性有限，钙处理及其调控最常在动物模型的背景下进行研究。HIPSC-CM可以为人类生理和病理生理学提供独特的见解，尽管与成人心肌细胞相比，剩余的限制是这些细胞的相对不成熟，因此，该领域是迅速发展的技术来提高hipsc-CM的成熟度，进一步确立其在心血管研究中的地位。这篇评论介绍了心肌细胞钙循环和HIPSC技术的基础，并将详细描述我们当前对HIPSC-CMS钙的理解。
了解有关神经炎症研究的更多信息
，我们将使用Axion Maestro Edge Microectrode阵列（MEA）系统（Axion Biosystems，Atlanta，GA）刺激与内皮细胞，肥大细胞和小胶质细胞共同培养的HIPSC衍生神经元后的神经元健康（图。2）与试验键微流体系统（Netri，Lyon，France）结合起来，以创建人体类芯片模型。使用这种人体器官系统，我们将研究触发器的单个或组合的效果，以刺激由RNA-SEQ和酶联免疫吸附测定（ELISA）分析的神经毒性分子的释放（ELISA），该分子（ELISA）专注于炎症，神经元连通性和血管分布（图。2）。由IPSC组成的人类器官已用于研究某些神经系统疾病，也可以用于筛查潜在治疗。
用于评估化疗引起的心血管毒性的基因组基础的人体体外模型
摘要化疗引起的心血管毒性 (CICT) 是癌症幸存者的已知风险，可导致心力衰竭、心律失常、血管功能障碍和动脉粥样硬化等疾病。随着我们对每种化疗药物的确切心血管风险的了解不断提高，很明显基因组学是预测哪些患者将经历心血管毒性的最有影响力的因素之一。最近，以 GWAS 为主导的自上而下的方法已经确定了与 CICT 具有统计相关性的新型遗传变异及其相关基因。重要的是，人类诱导多能干细胞 (hiPSC) 模型的出现提供了一个系统，可以通过实验在体外测试这些基因组发现的影响，查询潜在机制，并制定新策略来减轻这些机制造成的心血管毒性。在这里，我们回顾了化疗药物的心血管毒性，讨论了如何在体外模拟这些毒性，并提出了如何使用这些模型来验证导致患者易受这些影响的遗传变异。
区分工程组织图像和实验因素以分类
使用可见光。微球体，并从油相中去除，并在两个不同的干细胞培养基中培养以膨胀3天。心脏分化是在第0天使用两个不同的分化方案开始的，如时间表所示。测量并有意更改的实验特征是聚乙烯乙二醇 - 纤维蛋白原（PF）中的纤维蛋白原（Fb）浓度，而PF的PF中的HIPSC浓度是-3，第2天测量的微壳大小和形状，以及第0天的CHIR浓度。在分化的第3天和第5天拍摄了微圈的相对比对比图像。输出是每批封装中的CM含量，这是通过分化第10天通过流式细胞仪数据来衡量的。卷积神经网络是用于构建CM内容分类模型的机器学习方法。