196 Arbeiten
Die Bioengineering verbindet Ingenieurskunst mit biologischen Systemen, um Lösungen für die Medizin und Technik zu entwickeln. Von der Herstellung künstlicher Organe bis hin zu maßgeschneiderten Therapien verändert dieses Feld, wie wir Krankheiten verstehen und behandeln. Auf Gist.Science machen wir die neuesten Erkenntnisse aus diesem dynamischen Bereich für jeden zugänglich, ohne dabei die wissenschaftliche Tiefe zu vernachlässigen.
Unsere Redaktion verarbeitet jeden neuen Preprint, der auf bioRxiv in dieser Kategorie erscheint. Für jeden Beitrag erstellen wir sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch einen detaillierten technischen Überblick für Fachleute. So erhalten Sie einen direkten Einblick in die Forschung, lange bevor die Studien offiziell veröffentlicht sind.
Im Folgenden finden Sie die aktuellsten Papers aus dem Bereich Bioengineering, die wir kürzlich für Sie aufbereitet haben.
Die Studie stellt eine Weiterentwicklung des datengesteuerten Bildmechanik-Ansatzes (D2IM-Strain) vor, der Dehnungsfelder in Knochen direkt aus CT-Bildern vorhersagt und damit im Vergleich zur herkömmlichen Ableitung aus Verschiebungsfeldern die Genauigkeit bei niedrigen Dehnungen deutlich verbessert sowie Rauschen und falsch-positive Klassifizierungen reduziert.
Diese Studie zeigt, dass die gezielte, KI-gestützte Modulation der Stabilität eines heterodimeren Coiled-Coil-Linkers eine effektive Strategie darstellt, um die Morphologie, den Durchmesser und die Bildung von mehrschichtigen „Tube-in-Tube"-Architekturen bei programmierbaren Proteinröhren präzise zu steuern.
Die Studie stellt eine neue Biosensor-Methode namens photothermisches Recycling (PTR) vor, die durch schnelle, plasmonisch induzierte Bindemittel-Zyklen eine kontinuierliche und hochempfindliche molekulare Quantifizierung in komplexen biologischen Flüssigkeiten ermöglicht.
Diese Studie adaptiert ein strukturelles Merton-Sprung-Diffusions-Modell aus der Finanzwelt, um das Überleben von Tuberkulose-Patienten in Kamerun durch die Modellierung biologischer Solvenz und eines kritischen BMI-Schwellenwerts zu analysieren, wodurch ein prädiktiver „Distance-to-Death"-Indikator entwickelt wurde, der herkömmliche Cox-Modelle in der Risikobewertung übertrifft.
Die Studie validiert eine neue Design-Optimierungsplattform, die prädiktive Simulationen nutzt, um zu zeigen, dass für die personalisierte Entwicklung von Exosuits die korrekte Vorhersage von Leistungstrends (wie dem metabolischen Kostenverlauf) wichtiger ist als eine perfekte biomechanische Genauigkeit.
Die Autoren stellen RPSPASS vor, eine Softwareanwendung zur automatisierten, standardisierten und transparenten Nachbearbeitung von Daten der mikrofluidischen Resistive-Pulse-Sensing-Technologie, um die Genauigkeit, Benutzerfreundlichkeit und Berichterstattung bei der Analyse von extrazellulären Vesikeln und anderen Nanopartikeln zu verbessern.
Diese Studie stellt eine modulare Biofabrikationsstrategie vor, bei der durch die unabhängige Reifung von Muskel- und Gefäßkompartimenten, die mittels rotierendem Nassspinnen (RoWS) hergestellt wurden, ein vaskularisiertes Skelettmuskelmodell mit funktionellen Endothelzellen geschaffen wird, das die Herausforderungen der klinischen Translation für die Volumetrische Muskelregeneration überwindet.
Diese Studie etabliert erstmals Organoidkulturen aus den Giftdrüsen von Schlangen der Familie Colubridae, die die Produktion von Toxinen in vitro nachweisen und somit eine vielversprechende Alternative zu herkömmlichen Methoden der Giftgewinnung darstellen.
Das Paper stellt eBiota vor, eine Plattform, die mithilfe von Graph-Algorithmen, erweiterter Flux-Balance-Analyse und Deep Learning große Mikrobiom-Datenbanken durchsucht, um funktionale mikrobielle Gemeinschaften für die gezielte Produktion von Stoffen zu entwerfen und deren Verhalten präzise zu simulieren.
Die Autoren stellen ein physikbasiertes, selbstüberwachtes generatives Modell vor, das experimentelle Mikroskopiedaten nutzt, um realistische Trainingsdaten mit bekannten Emitterpositionen zu erzeugen und so die Genauigkeit von Deep-Learning-Methoden für die 3D-Lokalisationsmikroskopie erheblich zu verbessern.