Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
la ingeniería tisular para ser capaz de la imitación cación celular o también métodos Off-Lattice a
de los diferentes tejidos a partir de la histogéne- partir del centro de masa de esferas. Autores
sis, morfogénesis y organogénesis (Mironov et al. como Broadland han sugerido modelos a partir de
2009). La aproximación más cercana que se tiene elementos finitos modelando fuerzas y dinámicas
es la construcción de ciertos tejidos vasculariza- presentes en sistemas multicelulares (Flenner et al.
dos, aunque este enfoque sigue siendo un trabajo 2012). En la actualidad se tiene un acuerdo entre
en curso. Para lograr lo anteriormente dicho se lo experimental y lo teórico de que el equilibrio
han propuesto procesos como el autoensamblaje entre la adhesión de las células y la tensión cortical
a partir de la generación de ciertas estructuras a (tensión entre las membranas de las células) deter-
diferentes escalas espaciales (K. Jakab et al. 2004). mina la morfología celular, lo anterior define un
Procesos como la histogénesis y organogénesis son sistema a partir de la dinámica de los agregados y
ejemplos de autoensamblaje que a través de la la morfogénesis de los tejidos (Thomas et al. 2014).
interrelación entre las células y la interacción de la A partir de lo anterior se puede deducir que se
célula con su medio (K. Jakab et al. 2004). Debido requiere de un framework con el cual se puedan
a ciertas limitaciones intrínsecas y económicas en obtener datos de calibración de ciertos agregados
la producción tisular, se puede pensar que la tec- celulares para poder tener los datos disponibles
nología actual todavía no es capaz de imitar un para poder llegar a simular diferentes geometrías
órgano humano vivo 100% autentico (Mironov et de los diferentes agregados celulares para poder
al. 2009). ser usados en diferentes topologías presentes en
los diferentes tejidos o constructos celulares.
Actualmente se tienen técnicas emergentes basadas
en la bioimpresión mediante la disposición de agre-
gados “capa por capa” como biotinta, generando Marco teórico
una fusión posterior a la bioimpresión para la con-
strucción del tejido deseado (Flenner et al. 2012). Bioimpresora 3D
Para poder usar la bioimpresora se requiere de la
manipulación de ciertos “bloques de construcción”, La bioimpresión se basa en la disposición pre-
los cuales son células propias de cierto organismo cisa capa por capa (layer-by-layer) del agente bi-
combinado con una matriz de soporte (Sego et al. ológico y/o agregados celulares. Esta técnica está
2017). Por razones biológicas, los agregados celu- basada en técnicas biomiméticas nombradas ante-
lares tienen forma esférica denominados esferoides riormente con el potencial de superar los limitantes
celulares siendo impulsados por las mismas células presentes con el uso de scaffold sólido. El uso de
(Sego et al. 2017). Las técnicas actuales pueden la bioimpresora requiere del uso de gotas esféricas
llegar a ser costosas por el material usado y los que puedan ser almacenadas en un cartucho de
equipos personalizados para este proceso (Mar- la impresora (Imani et al. 2012). Esta técnica
itan, Lian, and Mulligan 2017). Adicional a lo ofrece ciertas ventajas como: mejoramiento del
anterior, los esferoides abarcan una gran cantidad tiempo de supervivencia de las células y el uso de
de tamaños y formas que generan una dificultad una densidad celular más alto. Para el caso de las
para la comparación de las condiciones de crec- bioimpresoras existen casos en donde se requiera la
imiento (Maritan, Lian, and Mulligan 2017). impresión de más para estructuras más complejas
que lo requieran (K. R. Jakab et al. 2006).
Para diferentes agregados celulares no se tienen
suficientes experimentaciones para poder ser com- Actualmente existen distintos métodos experimen-
parados. Usualmente, los modelos computa- tales para la fabricación de estructuras complejas,
cionales usados actualmente para sistemas multi- entro los métodos se encuentra la extrusión, teoli-
celulares se limitan a la interpretación de procesos tografía, impresión asistida por láser, entre otros.
morfogénicos de formas específicas (Flenner et Este tipo de métodos presenta cierto tipo de incon-
al. 2012). Existen modelos a partir de la repre- venientes con respecto a la precisión, resolución
sentación por elementos viscoelásticos, modelos y la velocidad de producción. Los procesos ac-
por “spins” adyacentes a partir de la discretización tuales usan hidrogeles blandos como portador de
del espacio como el Cellular Potts para clasifi- la célula o fármaco, donde los biopolímeros más
2
usados son: la poli caprolactona, ácido poli láctico, partir la preparación de ciertos agregados con un
ácido hialurónico, polietilenglicol y compuestos in- diámetro comparable al grosor del injerto deseado
orgánicos como lo son el fosfato de calcio (Shanjani (K. Jakab et al. 2010).
et al. 2015).
El procedimiento de la formación de las estructuras Biotinta
a partir de bioimpresora se realiza de la siguiente A partir de la formación de los agregados celulares
manera: se tiene la ventaja de una correcta disposición
• Preprocesamiento: Preparación de la biot- fisiológica de ciertos tejidos a partir de los con-
inta tactos adhesivos con los vecinos celulares. Para
• Procesamiento: Entrega automatizada de una correcta formulación de biotintas, se requiere
los agregados celulares con cierta matriz ex- conocer la interacción entre las células como tam-
tracelular. bién el uso óptimo de ciertos hidrogeles junto al
• Postprocesamiento: Incubación de los con- tipo de célula usado. Las biotintas son críticos
structos celulares bajo ciertas condiciones de para la biofabricación de los órganos por poseer
maduración. ciertos parámetros reológicos. Para poder realizar
el proceso de impresión se requiere del ambiente
Una de las características distintivas con la impre- óptimo para el desarrollo, motilidad y actividad
sión reside en que la impresión 3D solo suministra metabólica de las células (Levato et al. 2014).
un material inerte mientras que la bioimpresión
después del procesamiento requiere de un proceso La formación de los agregados celulares a partir
adicional de maduración. El proceso de madu- de hidrogeles plantea varios desafíos: uno de el-
ración puede llegar a ser controlado a partir de los es utilizar hidrogeles altamente hidrofílicos en
ciertas estimulaciones mecánicas con ciertos tipos donde los agregados seas limitados a una forma
de biorreactores. La cuantificación de la bioimpre- esférica independiente de la morfología nativa de
sión es complicada y no es raro que los encargados la célula; otro desafío es la impresión de tejido
de usar las bioimpresoras tengan que recurrir a un grande lo cual requiere la encapsulación de una
enfoque basado en la prueba y error (Shanjani et gran cantidad de células que es difícil de obtener
al. 2015). de un injerto. Por lo anterior se deben usar es-
trategias para mejorar las propiedades mecánicas
Entre las principales limitantes que restringen a la
y bioquímicas de los bioenlaces del biomaterial con
impresión se debe al estado de la gelificación del
las células para lograr una óptima construcción
hidrogel usado. Una gelificación no homogénea
de tejidos funcionales (Levato et al. 2014). La óp-
dificulta mejorar la precisión de ciertos tejidos en
tima construcción del tejido también depende de
donde se requiere una estructura con pocas capas.
la naturaleza de la fusión de los agregados (siendo
Otra limitación es la construcción de ciertos tubos
aplicable a líquidos altamente viscosos) (Shafiee
ramificados a partir de esferoides grandes y los es-
et al. 2015). Sin embargo, el uso de biotintas no
pacios vacíos entre esferoides impresos (K. Jakab et
es general para todo tipo de tejidos.
al. 2010). Aunque el proceso de impresión a partir
de extrusión mecánica es el más usado, hay inves- Esta reconstrucción de tejidos requiere de ciertos
tigaciones recientes con otros tipos de disposición scaffold con respecto a la cierta propiedad que se
de las células. Uno de los métodos es la funcional- requiera (Shanjani et al. 2015): Para el caso de
ización magnética de la matriz extracelular permi- materiales estructurales como huesos, se requiere
tiendo el desarrollo de biofabricaciones impulsado una integridad estructural y mecánica. Para el
a partir de la levitación magnética (Koudan et caso de ambientes blandos, se requiere el uso de
al. 2016). En la actualidad los sistemas requieren ciertos hidrogeles blandos para permitir la difusión
una mejor integración de componentes multifun- de ciertos bioagentes (como señales bioquímicas y
cionales blandos y duros (Shanjani et al. 2015). metabólicas). Estos hidrogeles proporcionan un
Para el caso de impresión de láminas celulares, ambiente adecuado para que los agregados cum-
se tiene que pueden llegar a ser ideales para la plan con sus funciones celulares como lo son la
impresión de piel dañada. Lo anterior se logra a adhesión, motilidad, crecimiento y diferenciación
3
si se requiere. no se adhieren entre sí, sino que su autoensamblaje
es a través de su matriz extracelular, donde estas
Por lo anterior, la rigidez para ciertos andamios
células pueden llegar a ser manipuladas genética-
rígidos debe ser similar a tejidos duros como el
mente para la expresión de ciertas moléculas que
hueso esponjoso poroso, mientras que la propiedad
promuevan la aglomeración de cieta población de
más importante para los hidrogeles blandos es el
células adyacentes o en otros tipos de células para
módulo elástico similar a tejidos como lo son el
ayudar a su aglomeración (Robu, Mironov, and
cartílago, músculo y vasos sanguíneos (Shanjani
Neagu 2019).
et al. 2015).
Para entender la base molecular de la agregación
En el contexto de lograr un biomimético a partir de
celular se sabe que cuando una población celular
la interacción de los agregados celulares y la matriz
se diferencia, estas se pueden polarizar a partir de
extracelular, se debe ayudar a las células a difer-
ciertas moléculas de adhesión a partir de cierta
enciarse o fusionarse de la manera óptima. Por
expresión genética que solo se expresa en partes
consiguiente, estos entornos deben proporcionar
restringida de las membranas de las células. En
ciertos factores moleculares, biológicos y físicos
consecuencia, esto genera la minimización de la
que optimicen el potencial de la regeneración de
energía conformacional a partir de cierta fuerza
los tejidos. Se pueden usar células mesenquimales
motriz de la reorganización celular (K. Jakab,
humanas que pueden llegar a formar ciertos tipos
Norotte, et al. 2008).
de tejidos (como lo pueden ser vasos sanguíneos,
cartílago, hueso, entre otros), pero no se pueden La capacidad de los esferoides para lograr la fusión
formar necesariamente músculos, nervios o hep- se sustenta a partir de conceptos de fluidez tisular,
atocitos. Hay investigaciones recientes a partir donde los tejidos embrionarios se consideran como
de células iPS procedente de ciertos tejidos hu- líquidos muy viscosos. Específicamente los esfer-
manos, con los cuales se puede llegar a formar oides se redondean en forma esférica similar a una
ciertas células similares a la embrionarias para gota de líquido en suspensión o en superficies no
la regeneración de ciertos tejidos cardiacos. La adhesivas. Es importante saber que los agregados
técnica mencionada requiere de una modificación celulares deben ser lo suficientemente pequeños
genética de estas células en un futuro (K. Jakab para permitir la supervivencia de las células en el
et al. 2010). centro del agregado (Boland et al. 2003).
4
fología distintiva y ciertos eventos de señalización fenómeno físico impulsado por fuerzas de tensión
dependiendo de las células usadas, donde lo ante- superficial de las células sustentado a partir de la
rior en contraste con cultivos bidimensionales, son “hipótesis de adhesión diferencial” propuesta por
diferentes (Imani et al. 2012). Malcolm Steinberg (Steinberg 2007).
5
a diferentes escalas temporales y espaciales. La representar de la siguiente manera:
modelación de estos tipos de células tiene como
finalidad la identificación de las condiciones para
(r/Ro )2 = sin2 θ = 1 − exp(−t/τ ) (1)
la explicación de ciertos comportamientos comple-
jos como lo puede ser la homeostasis, aparición de
A partir de este enfoque, la fusión de diferentes
estados patológicos, modelado de medicamentos y
agregados celulares con distinto origen puede de-
prueba de medicamentos en ciertos tipos celulares
terminarse a partir de un tiempo característico (τ )
(Maspero et al. 2019). Para lograr la simulación se
para poder calibrar la fusión real con el tiempo
han propuestos modelos biofísicamente aceptables
generado en el modelo (Flenner et al. 2012).
para la interacción entre las células. Generalmente
el estudio de la interacción de las células en la es- Aun así, hay autores como David Oriola (Oriola et
cala temporal y espacial de ciertos tipos de células al. 2022) han realizado la simulación del cambio
en ambientes heterogéneos puede llegar a ayudar el del ángulo entre las esferas a partir de la suposi-
estudio de ciertas técnicas actuales de una manera ción de la consideración de los esferoides como un
más eficiente (Maspero et al. 2019). Aunque el material Kelvin-Voigt incompresible, que puede
uso de simulaciones es un factor de favorecer la llegar a ser caracterizado a partir de la viscosidad
investigación, para este caso se debe garantizar la (η), módulo de cizalla (µ) y la tensión superfi-
correcta simulación de los tejidos a partir de los cial (γ). Este modelo fue usado por representar
datos necesarios para la fusión de los agregados. de manera efectiva ciertos modelos con tejidos y
Lo anterior es importante para verificar que en la esferoides celulares. A partir de ciertas aproxima-
fusión no haya falla en el consumo de oxígeno y ciones de la ecuación constitutiva del tensor del
nutrientes (Robu, Mironov, and Neagu 2019). tensor de esfuerzos, se halla la siguiente ecuación
que representa la dinámica de la fusión:
Fusión de Esferoides y Tiempo de Fusión
El tiempo de adhesión es un parámetro que se
cot(θ)
debe tener en cuenta para la determinación de θ =2· (Ro /Rθ )3 · [f (θ) − β · g(θ)] (2)
τ
la velocidad de impresión de las diferentes capas
sucesivas (Boland et al. 2003). De la fusión de es-
feroides se sabe experimentalmente que durante el Donde τ = η ∗ Ro /γ siendo el tiempo de la vis-
proceso los tejidos blandos esféricos se comportan coelasticidad característico y β = µ ∗ Ro /γ siendo
como dos gotas de fluidos viscoelásticos fusionán- el parámetro adimensional que caracteriza el grado
dose, cuya descripción requiere de una modelación de fusión de las esferas. Y finalmente las funciones
hidrodinámica a priori. No obstante, la simplici- f (θ) y g(θ) son:
dad de la geometría de la fusión no permite una
descripción del proceso de la fusión a partir de la 4
f (θ) = (3)
conservación de masa presente en la fusión de dos 1 + cos(θ)
gotas viscosas (Flenner et al. 2012).
2 2· Ro · (1 + εγ )
g(θ) = · −1
cos(θ)· (1 + cos(θ)) R(θ)· (1 + cos(θ))
(4)
Para el caso de β = 0, la ecuación de la dinámica de
la fusión se reduce a la expresión de la sinterización
de gotas viscosas. Si se asume β como como un
parámetro de bifurcación se halla que β > βx =
1/εY con valores finales de θ = 0 (cuando no
Figure 1: Esquema de la fusión de dos esferoides con el mismo
diámetro (Oriola et al. 2022) hay fusión de esferas). Aun así, para β < βc ,
el sistema genera un estado inestable en θ = 0
Una forma conveniente de la descripción se puede generando la fusión de los agregados (Oriola et
6
al. 2022). Para regímenes de baja coalescencia y ciones de las células en el agregado celular.
a un ángulo (θmax ), tienen una baja correlación
Se puede ver que a inicios de la década pasada se
con εY (grandes cambios de εY se acompañan
estaban usando modelos discretos (principalmente
con pequeños cambios en β). A partir de las
Cellular Potts) para el desarrollo de entornos de
experimentaciones dadas en (Oriola et al. 2022),
simulación basados en la discretización del espacio
se asume por simplicidad que εY = 0.
como en el caso de Parallelelized Cellular Potts
o ASMC3D para la simulación de tejidos y for-
Modelos de simulación de la fusión de mación de tejidos por haptotaxis o quimiotaxis.
esferoides (Germann, Marin-Riera, and Sharpe 2019). Para
Distintos autores han formulado modelos com- el caso de la segunda mitad de la década pasada
putacionales como herramienta para la fusión. El se puede ver que se han desarrollado más modelos
desarrollo de la fenomenología y la exploración de continuos basados en modelos Vertex (basado en
parámetros característicos requiere de un contexto simular las membranas de las células como polí-
eficiente. Para la comprensión de los tejidos se han gonos irregulares). Aunque los modelos continuos
usado ciertos modelos computacionales basados tengan una aproximación más real, estos modelos
generalmente en dos tipos de modelos: tienden a requerir una capacidad computacional
muy alta. Por lo anteriormente dicho, se han sug-
1. On-lattice: Son modelos que asumen el es- erido modelos intermedios como lo son las Esferas
pacio de simulación como una aproximación superpuestas que solo toman el centro de masa de
discreta del espacio. Aproximan el espacio cada célula para el cálculo y asume las leyes de
de fusión de las células a pixeles. Son mode- newton para su dinámica (Mathias et al. 2020).
los muy dependientes de la malla usada para
la simulación. Usualmente los modelos On- Autores como (Mathias et al. 2020) han desarrol-
Lattice usan modelos estocásticos para poder lado un framework para la comparación de difer-
evaluar la evolución del sistema y u cuántica) entes interacciones entre células para comparar las
para la identificación de las células o com- que generen una mejor aproximación usando difer-
puestos químicos presentes en los límites de entes herramientas numéricas para la solución de
la simulación. Entre los modelos más conoci- las ecuaciones diferenciales presentes en el sistema.
dos están el Cellular Autómata y el Cellular Otros modelos (con su respectivo Framework) usa-
Potts. Para el caso del Cellular Potts se tiene dos se presentan en la Tabla 1 a partir de modelos
que fue un modelo muy usado en las dos úl- Discretos (On-Lattice) o Continuos (Off-Lattice).
timas décadas para la simulación de tejidos Tabla 1 Pendiente
mesenquimales a partir de la descripción de
la adhesión celular. Para una mejor ejemplificación se van a explicar
dos modelos: el discreto (Cellular Potts) que es
2. Off-Lattice: Son modelos asumiendo una el mas usado en los casos discretos y el continuo
distribución continua de la célula en el espa- (esferas sobrepuestas) que se está empezando a
cio. Se usan diferentes aproximaciones físicas usar en los dos últimos años para la modelación
para interpretar el comportamiento de las de agregados celulares.
células como lo son la aproximación a esferas
viscoelásticas, fluidos muy viscosos a bajos
Modelo de Cellular Potts
números de Reynold, asumiendo sólidos en
difusión a partir de la difusión de Turing, El modelo de Cellular Potts (CPM) es un modelo
asumir superpuestas, entre otros. Normal- muy usado por su versatilidad. El modelo (tam-
mente estos modelos asumen aproximaciones bién llamado modelo de Glazier-Graner-Hogeweg)
de fenómenos físicos que se aproximen a la es un modelo computacional usado para células y
naturaleza de la fusión de los agregados celu- tejidos a partir de sus interacciones individuales
lares. Para el caso de las esferas superpuestas y colectivas. En esa época, se relacionó la mezcla
se asume la 3ra ley de Newton (Principio de de agregados celulares heterogéneos concluyendo
Acción Reacción) para modelar las interac- que se clasificaban en parches celulares de manera
7
espontánea. Para entender lo anterior, Graner A partir de la experimentación se ha determi-
& Glazier se propusieron modelar este fenómeno nado que el planteamiento está en consonancia
basado en la “hipótesis de adhesión diferencial”. con la hipótesis de adhesión diferencial de Stein-
El modelo propuesto por Graner y Glazier es berg (DAH), que afirma que las células buscan
basado en el modelo Potts usado inicialmente en activamente minimizar la energía libre total de
física para la simulación de los imanes (donde este adhesión del sistema multicelular. El mecan-
modelo emula la interacción entre diferentes com- ismo morfogenético propuesto en este trabajo, la
puestos químicos con cierto spin que es análogo fusión de esferoides celulares está bien caracteri-
al spin de las partículas cuánticas) en una red zado tanto experimentalmente como teóricamente
cristalina (Flenner et al. 2012). (Robu, Mironov, and Neagu 2019).
De manera general, el CPM se realiza de la sigu- Aunque estos modelos presentan una aproximación
iente manera: 1. Se escoge un pixel discreto en el al realismo es lo suficientemente aproximada, es-
espacio matricial 2. Se escoge un vecino del pixel tos modelos requieren de una capacidad computa-
escogido 3. Se halla el cambio del hamiltoniano cional muy alta (Mathias et al. 2020). A par-
entre los dos pixeles hallados. 4. Se usa el algo- tir de lo anterior es importante definir que las
ritmo de Metrópolis para aceptar o rechazar en el generalizaciones de los modelos de “Off-Lattice”
nuevo pixel 5. Se repite el primer paso. (Nava-Sedeño et al. 2020):
• Se representa cada célula o partícula a partir de
Como se dijo anteriormente, se requiere definir
un punto en el espacio que se mueve con velocidad
el algoritmo de metrópolis con el cual se evalua
constante a partir de un vector unitario (ν ∈ Rd )
el cambio de “spin”. Se propone un cambio de
“spin” causado por el cambio del hamiltoniano. El • La partícula solo interacciona con sus vecinos
cambio del “spin” es aceptado a partir de cierta circulares con radio R(BR (XM ))
probabilidad dada por la siguiente ecuación:
• La interacción entre las partículas es modelada
( a partir de un potencial (UM ), donde la partícula
1 ∆H ⩽ 0 de las células es modelada a partir de las leyes de
P (∆H) = (5) movimiento de Newton.
e−∆H/T ∆H > 0
Por la dificultad de la capacidad computacional,
Donde T es el valor definido como el parámetro se ha planteado modelos simplificados de modelos
que mide la fluctuación de motilidad del sistema. “Off-Lattice”
8
Modelo “Off-lattice” basado en el Centro
de Masa
Los modelos Off-Lattice (CBM) se basan en el
seguimiento del centro de masa de cada partícula
a partir de las interacciones mecánicas presentes
entre las células. Aunque existen otros modelos
basados en el centro de masa como lo son los mod-
elos Vertex que requiere el cálculo de la tensión
interfacial y presión de las células (Mathias et
al. 2020). Para el caso del modelo basado en el
centro de masa, se logra una relación equilibrada
con respecto a la eficiencia numérica y la capaci-
Figure 2: Ilustración del modelo de centro de masa. Se asume
dad de incorporación de modelos contínuos de la fuerzas de atracción y repulsión (Mathias et al. 2020)
mecánica celular presente en la agragación de las
células teniendo en cuenta aspectos importantes
como lo son la temporalidad del sistema a partir
yn+1 = yn + ∆t ∗ f (tn , yn ) (9)
de la biofísica del sistema (Mathias et al. 2020).
Para el caso del modelo Off-Lattice (CBM) se han Aunque actualmente se han usado métodos con
propuesto diferentes modelos físicos a partir de varios pasos teniendo en cuenta valores pasados.
la interacción entre las células para proporcionar Entre los métodos más usados se encuentra el
descripciones del sistema con modelos parecidos a método de Adams-Bashforth, donde:
Lattice Boltzmann como lo son el modelo Johnson-
Keller-Roberts.
3 1
yn+1 = yn + ∗∆t∗f (tn , yn )− ∗∆t∗f (tn−1 , yn−1 )
De manera general, para los diferentes modelos 2 2
Off-lattice se usa la tercera ley de Newton, donde: (10)
Para la simulación es este tipo de sistemas se tiene
mi ∗ a = mi ∗ ẍi = Fi (6) software generado como lo puede ser Ya||a (Ger-
mann, Marin-Riera, and Sharpe 2019) que usa el
A partir de la suma de las fuerzas en cada célula lenguage de progrmamación CUDA usando GPU
se halla la siguiente ecuación: (tarjetas gráficas) permitiendo su paralelizacióñ en
cada paso de Euler en un proceso similar hallado
X en la paralelización en los modelos de Cellular
mi ∗ ẍi = −∇ ∗ ẋi + Fij (7) Potts (Tapia and D’Souza 2011).
j̸=i
X X
λ∗ ẋi − ẋj = FijS + Fija (8)
j j
9
elado la interacción entre las celulas presentes en interacción de atracción del medio presente entre
el agregado celular, entre los modelos mas usados las células & s es un factor que determina el ancho
se tiene los siguientes: de la fuerza que es dependiente de rmax .
Modelo Cúbico
Metodología
Este modelo fue desarrollado por (Delile et al.
2017). En este modelo se asume la relación entre Para poder realizar las simulaciones, el modelo
las células como fuerzas cúbicas par ale caso de basado en el centro de masa fue programado en Ju-
las fuerzas atractivas y las fuerzas de resorte lineal lia usando un wrapper dentro del lenguage CUDA
como la interacción de repulsión. Este modelo ha usado como lenguaje para computación en par-
sido usado en un framework llamado MecaGen. alelo creado por Nvidia®. El software usado para
Las interacciones son las siguientes: esta tésis se llama CellAggregate.jl. La búsqueda
de vecinos cercanos de cada célula se realiza a
partir de una versión modificada del algoritmo de
µ· (r − rmax )2 · ∗(r − rmin ) vecinos cercanos kNN a partir de la programación
si r ⩽ rmax paralela del mismo método en CUDA, el algoritmo
se presenta en 1. Para el cálculo de las fuerzas
F Cubic (r) = (11) que interaccionan en cada célula se usa un calculo
0 paralelizado a partir de los vecinos hallados con
kNN. La ecuación de movimiento (8) fue resuelta
si rmax < r
con el método Leapfrog.
Modelo Lineal Generalizado de resorte Result: Devuelve una matriz con los índices
Este modelo fue desarrollado por (Cooper et al. de las esferas más cercanas (nn) a
2020). Este modelo usaba la suma de polinómios cada esfera en el agregado
para la representación de la atracción y repul- Input : X(x,y,z), nn←−number of nearest
sión. El modelo ha sido usado en el software neighbors
llamado “Chaste” usado para el estudio del cáncer. Output: Matrix[nn,size(X)]
Las interacciones se representan con la siguinete begin
ecuación, donde: Variables Iniciales
Size ←− Size(X) ;
Defining Coordinates of each cell on the
µ· log(1 + (r − rmin ))
aggregates
si r ⩽ rmin
iCell = repeat(X, Size) −
traspose(repeat(X, Size));
µ· (r − r )· exp(−α(r − r
min min ))
Calculating Norm on every cell on the
F GLS (r) = aggregate
si rmin < r ⩽ rmax
Dist = sqrt.(iCell .2 )
Calculating index of knof each cell in the
0 aggregate
si r > rmax
for i=1:nn do
(12)
idx[i, :] = f indmin(Dist; dims = 1)[2]
Para los dos modelos mencionados anteriormente Dist[idx[i, :]]. = Inf
se tiene que µ es el parámetro que representa la end
relación de atracción & repulsión de las células, end
rmin es la distancia mínima entre las células donde Algorithm 1: kNN algorithm for parallel com-
se inicia la repulsión de las células en los agrega- puting
dos, rmax es la distancia máxima donde no hay
10
Algoritmo kNN pueden usar diferentes métricas de distancia como
lo pueden ser Manhattan, Minkowski o Hamming.
El algoritmo kNN (k vecions mas cercanos) es
un modelo usado en modelos de clasificación no Para poder evaluar ul valor óptimo k para el algo-
paramétrico que se basa en la predicción de obje- ritmo depende del sistema que se vaya a evaluar.
tos cercanos a partir de la proximidad o distancias La asignación del valor k tiende a ser un parámetro
(que pueden ser euclidianas) sobre la agrupación de equilibrio en donde conlleva a escoger valores
de cierta posición con respecto a su entorno con excesivos o faltantes. Para el caso de valores bajos
presencia de otras posiciones de ciertos objetos se pueden presentar varianzas muy altas pero altos
(Raschka 2018). Aunque estos modelos son usa- sesgos. Esta elección depende principalmente de la
dos principalmente con fines de regresión tambien naturaleza de los datos de entrada. Generalmente
puede llegar a tener otros usos. se recomienda la elección de valores impares para
k para evitar empates en la clasificación(Hastie,
Para lograr esta clasificaicón, se declara una eti- Tibshirani, and Friedman 2004).
queta en la clase de objeto a clasificar y se realiza
un cálculo de los objetos cercanos a cada uno La elección de k dependerá en gran medida de
de los objetos en cierto sistema (Raschka 2018). los datos de entrada, ya que los datos con más
Este modelo hace uso de vectores de distancia en valores atípicos o ruido probablemente funcionarán
un espacio multidimensional asumiendo cada ob- mejor con valores más altos de k. En general, se
jeto como p y los atributios de evaluación como recomienda tener un número impar para k para
q, donde los vectores se representan como en la evitar empates en la clasificación, y las tácticas de
ecuación (13). (Hastie, Tibshirani, and Friedman validación cruzada pueden ayudarlo a elegir la k
2004) óptima para su conjunto de datos (Raschka 2018).
Para el caso del algoritmo (1) usado en el reposito-
xi = (x1i , x2i , ..., xpi ) ∈ X (13) rio (CellAggregate.jl) se puede ver que primero se
define el tamaño de las coordenadas de las células
El espacio cartesiano (X) es dividido bajo cier- a evaluar. Despues se evalua la fase inicial en
tos parámetros de localización. Para cada punto donde se calcula la diferencia de distancias iCell en
identificado en el espacio se le asigna una clase de las dimensiones espaciales presentes en los puntos
cercanía para cada punto. Normalmente, para el presentes en X para poder generar un arreglo de
cálculo de distancias se suele usar distancias euclid- vectores con las distancias entre los diferentes pun-
ianas como se puede ver en la ecuación (14)(Hastie, tos presentes en X. Despues se calcula la distancia
Tibshirani, and Friedman 2004). Dist a partir del uso de la métrica de la distancia
euclidiana para el cálculo de estas distancias entre
v los diferentes puntos presentes en X. Al final se
u p
uX halla los valores con menor distancia de manera
d(xi , xj ) = t (xri − xrj )2 (14) iterativa con respecto al parámetro nn.
r=1
Para el caso de la evaluación del valor k de de célu-
La fase inicial del algoritmo almacena un conjunto las evaluadas como esferas (como aproximación) se
de vectores de las distancias de cada punto con toma en cuenta la naturaleza de los datos. Como
respecto al resto. Despues de generada la informa- se tiene esferas, entonces se va a tomar una rama
ción inicial, se requiere una fase de clasificación de la geometría que se enfoca en el estudio del em-
donde se calculan las distancias de cada conjunto paquetamiento de esferas. Para este caso se tomó
de puntos a partir de los vectores inicializados en el empaquetemiento cerrado de esferas cerradas
el espacio característico (Cover and Hart 1952). con el cual se logra la disposición mas densa de es-
Con la información anterior se calcula la distan- feras. Gauss demostró que esta distribución genera
cia entre los vectores hallados anteriormente y a la densidad más alta con la fracción vacía mas baja
partir de las distancias halaldas, se seleccionan logrado a partir de un empaquetamiento hexago-
los k − ésimos vecinos mas cercanos (Cover and nal, la fracción ocupada por las esferas se puede
Hart 1952). Dependiendo del espacio a evaluar se ver en la ecuación (15) y el empaquetamiento se
11
puede ver en la imagen (4) (Conway and A. 2011).
12
(Mathias et al. 2020). Para estos potenciales de in- Byrne, et al. 2020. “Chaste: Cancer, Heart and Soft
teracción se tienen los modelos 11 y 12 explicados Tissue Environment.” Journal of Open Source Software
5 (March): 1848. https://doi.org/10.21105/joss.01848.
anteriormente.
Cover, T M, and P E Hart. 1952. “Approximate For-
mulas for the Information Transmitted Bv a Discrete
Para poder calcular las fuerzas, se presenta el algo-
Communication Channel.” IEEE TRANSACTIONS
ritmo (2) usado en el repositorio (CellAggregate.jl) ON INFORMATION THEORY. Vol. 24.
se puede ver que primero se define la matriz de Decarli, Monize Caiado, Robson Amaral, Diogo Peres Dos
coordenadas de los puntos presentes en el agregado Santos, Larissa Bueno Tofani, Eric Katayama, Rodrigo
celular, los índices de los agregados celulares (idx) Alvarenga Rezende, Jorge Vicente Lopes Da Silva, et
al. 2021. “Cell Spheroids as a Versatile Research Plat-
mas cercanos de cada célula calcualdo con el al- form: Formation Mechanisms, High Throughput Pro-
goritmo 1 explicado anteriormente y se puede ver duction, Characterization and Applications.” Biofabri-
que se toma un index rp que representa la fuerza cation. IOP Publishing Ltd. https://doi.org/10.1088/
contráctil que se ha visto que tiene encidencia im- 1758-5090/abe6f2.
Delile, Julien, Matthieu Herrmann, Nadine Peyriéras, and
portante en el modelo. Con las anteriores variables René Doursat. 2017. “A Cell-Based Computational
se calcula la variable r que representa la distancia Model of Early Embryogenesis Coupling Mechanical Be-
de cada célula con sus vecinos mas cercanos respec- haviour and Gene Regulation.” Nature Communications
tivamente. Con los vectores halladas, se hallan 8 (January). https://doi.org/10.1038/ncomms13929.
Excelsior. 2022. Notimex. https://www.excelsior.co
las distancias a partir de la métrica de distancia
m.mx/nacional/ante- falta- de- organos- llaman- a-
euclídea y se repite en una matriz para facilitar concientizar-sobre-la-donacion/1367140.
los cálculos matriciales presentes en los cálculos Flenner, Elijah, Lorant Janosi, Bogdan Barz, Adrian Neagu,
con tarjeta gráfica. Con los potenciales de inter- Gabor Forgacs, and Ioan Kosztin. 2012. “Kinetic
Monte Carlo and Cellular Particle Dynamics Simula-
acción presentes en 11 y 12 se calcula la fuerza
tions of Multicellular Systems.” Physical Review E - Sta-
ejercida por cada vecino mas cércano. Con las tistical, Nonlinear, and Soft Matter Physics 85 (March).
fuerzas calculadas se halla la suma de las fuerzas https://doi.org/10.1103/PhysRevE.85.031907.
de los vecinos para hallar el dX calculado a partir Germann, Philipp, Miquel Marin-Riera, and James Sharpe.
del vector unitario r/dist de cada interacción. Al 2019. “Ya||a: GPU-Powered Spheroid Models for Mes-
enchyme and Epithelium.” Cell Systems 8 (March):
final se suma la interacción contráctil y se halla la 261–266.e3. https://doi.org/10.1016/j.cels.2019.02.007.
velocidad de cada célula en un intervalo de tiempo Hastie, Trevor, Robert Tibshirani, and J. H. Friedman.
pequeño. 2004. The Elements of Statistical Learning: Data Min-
ing, Inference, and Prediction: With 200 Full-Color
Illustrations. Springer.
Algoritmo Leapfrog Imani, Rana, Shahriar Hojjati Emami, Hossein Fakhrzadeh,
Nafiseh Baheiraei, and Ali M. Sharifi. 2012. “Opti-
PENDIENTE mization and Comparison of Two Different 3D Culture
Methods to Prepare Cell Aggregates as a Bioink for
Organ Printing.” Biocell 36: 37–45. https://doi.org/10
Bibliografia .32604/biocell.2012.36.037.
Jakab, Karoly Robert, Brooke Damon, Adrian Neagu,
Bogotá, Alcaldía Mayor de. 2021. https://saludata.s
Karoly Jakab, Brook Damon, Anatolij Kachurin, and
aludcapital.gov.co/osb/f ichas_tecnicas_osb/enf -
Gabor Forgacs. 2006. “Three-Dimensional Tissue
cronicas/OSB_enfermedades_cronicas_organos.pdf.
Constructs Built by Bioprinting Cell Level Biome-
Boland, Thomas, Vladimir Mironov, Anna Gutowska, Elis-
chanics View Project Computer Simulations for Pre-
abeth A. Roth, and Roger R. Markwald. 2003. “Cell
dicting the Outcome of 3D Bioprinting View Project
and Organ Printing 2: Fusion of Cell Aggregates in
Three-Dimensional Tissue Constructs Built by Bio-
Three-Dimensional Gels.” Anatomical Record - Part A
printing.” Biorheology. Vol. 43. IOS Press. https:
Discoveries in Molecular, Cellular, and Evolutionary
//www.researchgate.net/publication/6876030.
Biology 272 (June): 497–502. https://doi.org/10.1002/
Jakab, Karoly, Brook Damon, Françoise Marga, Octa-
ar.a.10059.
vian Doaga, Vladimir Mironov, Ioan Kosztin, Roger
Cardioinfantil, Fundación. 2021.
Markwald, and Gabor Forgacs. 2008. “Relating
https://cardioinfantil.org/noticias/actualmente-
Cell and Tissue Mechanics: Implications and Ap-
en-colombia-mas-del-20-de-los-pacientes-fallecen-
plications.” Developmental Dynamics 237: 2438–49.
esperando- un-trasplante/.
https://doi.org/10.1002/dvdy.21684.
Conway, John Horton, and Sloane N J A. 2011. Sphere
Jakab, Karoly, Adrian Neagu, Vladimir Mironov,
Packings, Lattices and Groups. Springer.
Roger R Markwald, and Gabor Forgacs. 2004.
Cooper, Fergus, Ruth Baker, Miguel Bernabeu, Rafel
“Engineering Biological Structures of Prescribed
Bordas, Louise Bowler, Alfonso Bueno-Orovio, Helen
13
Shape Using Self-Assembling Multicellular Systems.” Royal Society B: Biological Sciences. Royal Society
www.pnas.orgcgidoi10.1073pnas.0400164101. Publishing. https://doi.org/10.1098/rstb.2019.0378.
Jakab, Karoly, Cyrille Norotte, Brook Damon, Francoise Omasa, Takeshi, Masayoshi Onitsuka, and Wook-Dong Kim.
Marga, Adrian Neagu, Cynthia L. Besch-Williford, Ana- 2010. “Cell Engineering and Cultivation of Chinese
toly Kachurin, et al. 2008. “Tissue Engineering by Self- Hamster Ovary (CHO) Cells.” Current Pharmaceutical
Assembly of Cells Printed into Topologically Defined Biotechnology. Vol. 11.
Structures.” Tissue Engineering - Part A. 14 (March): Oriola, David, Miquel Marin-Riera, Kerim Anlaş, Nicola
413–21. https://doi.org/10.1089/tea.2007.0173. Gritti, Marina Sanaki-Matsumiya, Germaine Aalderink,
Jakab, Karoly, Cyrille Norotte, Francoise Marga, Keith Miki Ebisuya, James Sharpe, and Vikas Trivedi. 2022.
Murphy, Gordana Vunjak-Novakovic, and Gabor For- “Arrested Coalescence of Multicellular Aggregates.” Soft
gacs. 2010. “Tissue Engineering by Self-Assembly Matter. https://doi.org/10.1039/D2SM00063F.
and Bio-Printing of Living Cells.” Biofabrication 2. Raschka, Sebastian. 2018. “STAT 479: Machine Learning
https://doi.org/10.1088/1758-5082/2/2/022001. Lecture Notes.” https://sebastianraschka.com/pdf/lec
Koudan, Elizabeth V., Elena A. Bulanova, Frederico D. ture-notes/stat479fs18/02_knn_notes.pdf.
A. S. Pereira, Vladislav A. Parfenov, Vladimir A. Robu, Andreea, Vladimir Mironov, and Adrian Neagu. 2019.
Kasyanov, Yousef D. Hesuani, and Vladimir A. Mironov. “Using Sacrificial Cell Spheroids for the Bioprinting of
2016. “Patterning of Tissue Spheroids Biofabricated Perfusable 3D Tissue and Organ Constructs: A Com-
from Human Fibroblasts on the Surface of Electro- putational Study.” Computational and Mathematical
spun Polyurethane Matrix Using 3D Bioprinter.” In- Methods in Medicine 2019. https://doi.org/10.1155/20
ternational Journal of Bioprinting 2: 45–52. https: 19/7853586.
//doi.org/10.18063/IJB.2016.01.007. Salud, Instituto Nacional de. 2022. https://www.ins.go
Levato, Riccardo, Jetze Visser, Josep A. Planell, Elisabeth v.co/Noticias/Paginas/Red-de-Donaci%C3%B3n-y-
Engel, Jos Malda, and Miguel A. Mateos-Timoneda. Trasplantes-en-Colombia-no-se-detiene.aspx.
2014. “Biofabrication of Tissue Constructs by 3D Bio- Sego, T. J., U. Kasacheuski, D. Hauersperger, A. Tovar,
printing of Cell-Laden Microcarriers.” Biofabrication 6. and N. I. Moldovan. 2017. “A Heuristic Computational
https://doi.org/10.1088/1758-5082/6/3/035020. Model of Basic Cellular Processes and Oxygenation Dur-
Maritan, Sarah M., Eric Y. Lian, and Lois M. Mulli- ing Spheroid-Dependent Biofabrication.” Biofabrication
gan. 2017. “An Efficient and Flexible Cell Aggre- 9 (June). https://doi.org/10.1088/1758-5090/aa6ed4.
gation Method for 3d Spheroid Production.” Jour- Shafiee, Ashkan, Matthew McCune, Gabor Forgacs, and
nal of Visualized Experiments 2017 (March). https: Ioan Kosztin. 2015. “Post-Deposition Bioink Self-
//doi.org/10.3791/55544. Assembly: A Quantitative Study.” Biofabrication 7
Maspero, Davide, Chiara Damiani, Marco Antoniotti, Alex (November). https://doi.org/10.1088/1758-5090/7/4
Graudenzi, Marzia Di Filippo, Marco Vanoni, Giulio /045005.
Caravagna, Riccardo Colombo, Daniele Ramazzotti, Shanjani, Y., C. C. Pan, L. Elomaa, and Y. Yang. 2015.
and Dario Pescini. 2019. “The Influence of Nutri- “A Novel Bioprinting Method and System for Forming
ents Diffusion on a Metabolism-Driven Model of a Hybrid Tissue Engineering Constructs.” Biofabrication
Multi-Cellular System.” Fundamenta Informaticae 171: 7 (December). https://doi.org/10.1088/1758-5090/7/4
279–95. https://doi.org/10.3233/FI-2020-1883. /045008.
Mathias, Sonja, Adrien Coulier, Anass Bouchnita, and Steinberg, Malcolm S. 2007. “Differential Adhesion in Mor-
Andreas Hellander. 2020. “Impact of Force Function phogenesis: A Modern View.” Current Opinion in Ge-
Formulations on the Numerical Simulation of Centre- netics and Development. https://doi.org/10.1016/j.gde.
Based Models.” Bulletin of Mathematical Biology 82 2007.05.002.
(October). https://doi.org/10.1007/s11538-020-00810- Tapia, José Juan, and Roshan M. D’Souza. 2011. “Par-
2. allelizing the Cellular Potts Model on Graphics Pro-
Mironov, Vladimir, Richard P. Visconti, Vladimir Kasyanov, cessing Units.” Computer Physics Communications 182
Gabor Forgacs, Christopher J. Drake, and Roger R. (April): 857–65. https://doi.org/10.1016/j.cpc.2010.12.
Markwald. 2009. “Organ Printing: Tissue Spheroids 011.
as Building Blocks.” Biomaterials 30 (April): 2164–74. Thomas, Gilberto L., Vladimir Mironov, Agnes Nagy-
https://doi.org/10.1016/j.biomaterials.2008.12.084. Mehez, and José C. M. Mombach. 2014. “Dynamics of
Molina, María Isabel, Paola Andrea Toro, Eliana Manzi, Cell Aggregates Fusion: Experiments and Simulations.”
Diana Dávalos, Karen Torres, Ana María Aristizábal, Physica A: Statistical Mechanics and Its Applications
Catalina Gómez, and Gabriel J. Echeverri. 2018. “Prin- 395 (February): 247–54. https://doi.org/10.1016/j.ph
cipales Causas de Negativa Familiar a La Donación de ysa.2013.10.037.
Órganos y Tejidos: 10 Años de Experiencia En Un Cen-
tro Latinoamericano.” Nefrología 38 (March): 225–27.
https://doi.org/10.1016/j.nefro.2017.05.004.
Nava-Sedeño, Josué Manik, Anja Voß-Böhme, Haralampos
Hatzikirou, Andreas Deutsch, and Fernando Peruani.
2020. “Modelling Collective Cell Motion: Are on- and
Off-Lattice Models Equivalent?: Equivalent on- and
Off-Lattice Models.” Philosophical Transactions of the
14