Projects

AI-improved organ on chip cultivation for personalised medicine (AImOOC)

Funding: European Regional Development Fund (ERDF), Measure 1.1.1.1 “Support for applied research”

Project No.: 1.1.1.1/21/A/079

Period: 1 January 2022 – 30 November 2023

Project costs: 500 000,00 EUR

Project implementer: Institute of Electronics and Computer Science

Cooperation partner: Latvian Biomedical Research and Study Centre

Cooperation partner: SIA „Cellboxlab”

Project Summary

The project aims to improve the cultivation of patient-derived cell cultures in OOC (Organ-on-Chip) equipment by applying real-time machine learning algorithms to microfluidics and using light-field microscopy, transepithelial electrical resistance, and O2 sensor data.

Progress of the Project

During first reporting period, we have developed decision tree for data classification and produced first imaging data of successful and unsuccessful OOC cultivation data for developing AI models for supervising OOC cultivation. We identified possible approaches to the generation of synthetic data for training AI models. Due to the nature of the real-world data, the most promising approach is to generate synthetic data by means of generating simple geometric shapes and subsequently deforming them. We are currently conducting a survey of literature on that topic. We have investigated integrated objective/camera units for integration in the instrument from various providers with particular focus on evaluation of image quality, digital zoom capabilities and lighting conditions. We have started working on defining the procurement specification for XYZ gantry with a suitable XY step for continuous channel imaging and Z-step for successful autofocus on the aforementioned imaging units. Additionally, during this period, we engaged in public dissemination of project topic in student council of Riga Technical University organised online interview in Spiikiizi studio, titled “What if?”

Information published 31.03.2022

During this reporting period, we have generatedadditionally 230 pictures of both lung and gut on chip models by applying bothstable and primary cell lines. For each picture information such as model ID,cell type, seeding density, time of image, decision (good, bad, acceptable),artefacts were prepared.  EDI investigated state-of-the-art approaches inliterature to the generation of synthetic images of biological cells bydeforming simple geometric shapes. Furthermore, EDI investigated the use ofgenerative adversarial networks (GANs) for simulation-to-real transfer, whichis needed to render synthetic images more realistic. CellboxLabs conductedseveral hours interview with potential end users in industry about OOC realtime microscopy option in combination with AI to confirm the necessity of suchsystem. Additionally, CellboxLabs made purchases for microscopes to conducttests with them. They made a purchase for the parts of the XYZ table andcurrently are working on a design for the XYZ table that would allow us to makean XYZ motion system with motion and small position errors.

Information published 30.06.2022

During this reporting period, LBMC have generated additionally 250 pictures of both lung and gut on chip models by applying both stable and primary cell lines. For each picture information such as model ID, cell type, seeding density, time of image, decision (good, bad, acceptable), artefacts were prepared EDI researched deep neural network model architectures to find the best fit for the AimOOC task. Wealso looked for models pre-trained on medical images. A classification model was trained on the first data received from the partners, concluding tha tadditional data is needed for a good result. Therefore, options for dataa ugmentation that will allow for synthetic multiplication of training examples were also researched and summarized. As part of the project, a contract was concluded and the design of a precision XYZ table was carried out. The construction of the XYZ table was started.

Information published 30.09.2022

Orgānu uz čipa kultivēšana ar mākslīgā intelekta metodēm personalizētas medicīnas nolūkos. (AimOOC)

Projekta nosaukums: „Orgānu uz čipa kultivēšana ar mākslīgā intelekta metodēm personalizētas medicīnas nolūkos (AImOOC)”

Projekts tiek veikts Eiropas Reģionālā attīstības fonda (ERAF) 1.1.1.1. pasākuma “Praktiskas ievirzes pētījumi” 5. kārtas ietvaros.

Projekta identifikācijas Nr.: 1.1.1.1/21/A/079

Projekta izpildes termiņš: 2022. gada 1. janvāris – 2023. gada 30. novembris

Projekta kopējais finansējums: 500 000,00 EUR

Projekta īstenotājs: Elektronikas un datorzinātņu institūts

Sadarbības partneris: Latvijas Biomedicīnas pētījumu un studiju centrs

Sadarbības partneris: SIA „Cellboxlab”

Projekta kopsavilkums

Projekta mērķis ir  uzlabot no pacienta ņemtu šūnu kultūru audzēšanu OOC (Organ-on-Chip) iekārtās, piemērojot reālā laika mašīnmācīšanās algoritmus mikrofluidikai, un balstoties uz gaišā lauka mikroskopijas, transepitēlija elektriskās pretestības un O2 sensoru datiem.

Projekta progress

Pirmajā pārskata periodā esam izstrādājuši lēmumu koku datu klasifikācijai un izveidojuši pirmos datus par veiksmīgiem un neveiksmīgiem OOC audzēšanas eksperimentiem, lai izstrādātu AI modeļus OOC audzēšanas uzraudzībai. Mēs identificējām iespējamās pieejas sintētisko datu ģenerēšanai AI modeļu apmācībai. Ņemot vērā reālo datu raksturu, visdaudzsološāk pieeja ir sintētisko datu ģenerēšana, ģenerējot vienkāršas ģeometriskas formas un pēc tam tās deformēt. Šobrīd mēs veicam literatūras analīzi par šo tēmu. Mēs esam izpētījuši dažādu kompāniju objektīvus/kameras integrēšanai instrumentā, īpašu uzmanību pievēršot attēla kvalitātes, digitālām iespējām un apgaismojuma apstākļiem. Mēs esam sākuši darbu pie iepirkuma specifikācijas noteikšanas XYZ galdiņam ar piemērotu XY soli nepārtrauktai kanālu novērošanai un Z-soli veiksmīgai automātiskai fokusēšanai. Turklāt šajā laika posmā mēs iesaistījāmies projekta tēmas publicēšanā Rīgas Tehniskās universitātes studentu padomes organizētajā tiešsaistes intervijā Spiikiizi studijā ar nosaukumu “Kas būtu, ja?”.

Informācija publicēta 31.03.2022.

EDI veica literatūras analīzi par jaunākajāmpieejām bioloģisko šūnu sintētisko attēlu ģenerēšanai, deformējot vienkāršasģeometriskas formas. Tika pētīta ģenerējošo tīklu-pretinieku (GAN) izmantošanasintētisku attēlu transformēšanai (tulkošanai) uz reāliem, kas ir nepieciešama,lai padarītu sintētiskos attēlus reālistiskākus.

Šajā pārskata periodā mēs esam ieguvuši papildus 230 gan plaušu, gan zarnu uz čipa attēlus, izmantojot gan stabilās, gan primārās šūnu līnijas. Katram attēlam tika sagatavota informācija, kā piemēram, modeļa ID, šūnas tips, sēšanas blīvums, attēla uzņemšanas laiks, lēmums (labs, slikts, pieņemams), artefakti.

Tika veikts iepirkumus mikroskopiem un veikta to testēšana. Tika uztaisīts  iepirkumu XYZ galdiņa detaļām un sākts darbs pie XYZ galdiņa dizaina ar augstu precizitāti.

Informācija publicēta 30.06.2022.

Šajā pārskata periodā LBMC ir izveidojuši papildus 250attēlus gan plaušu, gan zarnas uz čipa modeļiem, izmantojot gan stabilās, ganprimārās šūnu līnijas. Katram attēlam tika sagatavota informācija, par modeļaID, šūnas tipu, sēšanas blīvumu, attēla laiku, lēmumu (labs, slikts, pieņemams)un artefaktiem. EDI veica izpēti par dziļo neironu tīklu modeļu arhitektūrām, piemeklējot AimOOC uzdevumam atbilstošāko. Tika meklēti arī modeļi, kas priekštrennēti uz medicīnas attēliem. Tika apmācīts klasifikācijas modelis uz pirmajiem datiem, kas saņemti no partneriem, secinot, ka labam rezultātam nepieciešami papildus dati. Tādēļ tika arī izpētītas un apkopotas datu paplašināšanas iespējas, kas ļaus sintētiski pavairot apmācības piemērus. Cellbox Labs projekta ietvaros ir noslēguši līgumu un veikta precīzijas XYZ galdiņa projektēšana. Ir uzsākta XYZ galdiņa konstruēšana.

Informācija publicēta 30.09.2022.

Cellbox Labs gut on chip
BACK TO RESOURCES
Cellbox Labs gut on chip

Get in touch