MARC

 008260126s2025        us                              c    eng  d
■001000017359492
■00520260202105127
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297648357
■035    ▼a(MiAaPQ)AAI32238870
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aEmerson,  Daniel  J.▼0(orcid)0009-0000-2149-0553
■24510▼aComputational  Methods  to  Assist  the  Development  of  Liver  Cryopreservation  Protocols
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a112  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Kara,  Levent  Burak;Rabin,  Yoed.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aLiver  transplantation  is  a  breakthrough  treatment  option  that  has  saved  innumerable  lives  worldwide.  However,  there  is  a  significant  unmet  need  with  extensive  transplant  waiting  lists  and  a  general  lack  of  availability  to  this  life-saving  procedure.  Advanced  preservation  methods  have  shown  the  ability  to  significantly  extend  the  ex  vivo  life  of  the  organ,  allowing  for  improved  availability,  better  donor  matching,  assessment  of  marginal  grafts  which  would  typically  be  discarded,  and  even  restoration  of  function.  These  advanced  preservation  strategies  are  highly  complex  processes  with  an  incredible  number  of  free  design  variables.  Furthermore,  there  is  scarce  availability  of  human  livers  to  develop  these  experimental  protocols  on.  Researchers  often  use  animal  models  instead,  but  successes  are  not  directly  translational  due  to  differences  in  structure  and  scale.To  address  these  challenges,  we  propose  the  creation  of  computational  models  of  the  liver  to  conduct  early  phases  of  cryopreservation  protocol  development.  While  it  is  impossible  to  fully  capture  all  the  complexity  in  the  human  liver  in  a  model,  we  see  these  computational  models  as  a  method  to  inform  experimentalists  to  more  efficiently  conduct  experiments  with  plausible  protocols.  These  computational  models  will  allow  for  broad  exploration  of  a  highly  complex  design  space,  which  was  not  possible  in  the  constrained  experimental  case.We  start  by  adapting  an  algorithm  to  generate  three-dimensional  vascular  models  of  the  liver.  We  demonstrate  the  ability  of  this  method  to  create  models  of  varying  depth  and  topology,  as  well  as  the  ability  to  generate  models  that  closely  match  morphological  statistics  and  structure.  We  create  fully  connected  models  of  the  liver,  such  that  flow  can  be  simulated  in  and  out  of  the  vasculature.  With  these  models,  we  create  a  linear  system  of  equations  to  simulate  fluid  flow  throughout  the  entire  vasculature.  We  then  simulate  the  loading  of  cryoprotectants  throughout  the  vasculature  and  highlight  how  the  model  can  be  used  to  interrogate  the  effects  of  varying  boundary  conditions  on  wall  shear  stress  and  cryoprotectant  concentration  throughout  the  model.  We  view  this  type  of  investigation  as  the  model's  primary  benefit  to  experimentalists  and  clinicians  when  developing  new  cryopreservation  strategies.We  extend  the  liver  vascular  model  to  simulate  heat  transfer,  and  we  couple  the  fluid  and  heat  transfer  models  to  account  for  heat  transfer  due  to  perfusion  using  the  bioheat  equation.  The  heat  transfer  model  produces  a  temperature  field  that  is  used  to  update  the  viscosity  of  the  perfusate  in  the  fluid  model.  The  fluid  model  then  solves  for  vessel  flow  rates  at  every  step,  which  are  in  turn  used  to  determine  the  heat  transfer  due  to  perfusion.  We  step  between  the  two  models  and  can  account  for  changes  in  the  flow  and  heat  transfer  due  to  the  freezing  of  specific  vessels  and  regions  in  the  liver.  We  demonstrate  how  the  model  can  be  used  to  investigate  the  effect  of  varied  boundary  conditions  on  the  spatial  and  temporal  behavior  of  temperature  and  flow  throughout  the  model.Finally,  we  utilize  machine  learning  and  Bayesian  optimization  techniques  in  conjunction  with  high-throughput  screening  techniques  to  optimize  cryoprotective  agent  cocktails.  We  iterate  between  experiments  to  determine  the  viability  of  various  cocktails,  and  machine  learning  methods  that  intelligently  select  the  most  informative  and  optimal  prospective  cocktails  to  test  next.  We  optimize  for  multiple  objectives,  namely  low  toxicity  and  high  concentration,  by  making  use  of  state  of  the  the  art  hypervolume  Bayesian  optimization  methods.  Similar  to  the  liver  models,  this  project  leverages  computational  methods  to  accelerate  experimental  discovery  for  the  benefit  of  cryopreservation  protocol  development.
■590    ▼aSchool  code:  0041.
■650  4▼aMechanical  engineering
■650  4▼aBiomedical  engineering
■650  4▼aComputational  physics
■653    ▼aBayesian  optimization
■653    ▼aComputational  modeling
■653    ▼aCryopreservation
■653    ▼aHigh  throughput  screening
■653    ▼aPerfusion
■653    ▼aVascular  modeling
■690    ▼a0548
■690    ▼a0541
■690    ▼a0216
■71020▼aCarnegie  Mellon  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359492▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books