Algoritmy umělé inteligence mohou zlepšit tvorbu bioscaffoldových materiálů a pomoci léčit rány

Umělá inteligence a strojové učení by mohly pomoci léčit zranění tím, že urychlí vývoj 3D tištěných bioscaffoldů. Bioscaffoldy jsou materiály, které umožňují růst organických objektů, jako je kůže a orgány. Nedávná práce provedená výzkumníky na Rice University aplikovala algoritmy umělé inteligence na vývoj bioscaffoldových materiálů s cílem předpovědět kvalitu tištěných materiálů. Výzkumníci zjistili, že kontrola rychlosti tisku je zásadní pro vývoj užitečných bioscaffoldových implantátů.

Jak uvádí ScienceDaily, tým výzkumníků z Rice University spolupracoval na použití strojového učení k identifikaci možných zlepšení bioscaffoldových materiálů. Computerový vědec Lydia Kavraki z Brown School of Engineering na Rice University vedla výzkumný tým, který aplikoval algoritmy strojového učení na předpověď kvality scaffoldového materiálu. Studie byla spoluuveřejněna bioinženýrem Antoniosem Mikosem, který pracuje na kostnatých bioscaffoldách, které slouží jako náhrada tkání, určené k podpoře růstu krevních cév a buněk a umožnění rychlejšího hojení poškozené tkáně. Bioscaffoldy, na kterých Mikos pracuje, jsou určeny k hojení muskuloskeletálních a kraniocerebrálních ran. Bioscaffoldy jsou vyráběny s pomocí 3D tiskových technik, které produkují scaffoldy, které odpovídají obvodu dané rány.

Proces 3D tisku bioscaffoldového materiálu vyžaduje mnoho pokusů a omylů, aby se vytiskla právě taková dávka, která je potřebná. Různé parametry, jako je složení materiálu, struktura a rozestup, musí být brány v úvahu. Aplikace technik strojového učení může snížit mnoho z těchto pokusů a omylů, poskytujíc inženýrům užitečné směrnice, které snižují potřebu experimentování s parametry. Kavraki a další výzkumníci byli schopni poskytnout bioinženýrskému týmu zpětnou vazbu o tom, které parametry jsou nejdůležitější, ty, které jsou nejpravděpodobněji ovlivňují kvalitu tištěného materiálu.

Výzkumný tým začal analýzou dat o tisku scaffoldů z roku 2016 o biodegradabilním polypropylenu fumarátu. Kromě těchto dat výzkumníci vytvořili sadu proměnných, které by jim pomohly navrhnout klasifikátor strojového učení. Jakmile byly shromážděny všechny potřebné údaje, výzkumníci byli schopni navrhnout modely, otestovat je a publikovat výsledky za něco málo přes půl roku.

Co se týče modelů strojového učení, které výzkumný tým použil, tým experimentoval se dvěma různými přístupy. Obě metody strojového učení byly založeny na algoritmech náhodného lesa, které agregují rozhodovací stromy, aby dosáhly robustnějšího a přesnějšího modelu. Jedna z modelů, které tým otestoval, byla binární klasifikační metoda, která předpovídala, zda konkrétní sada parametrů vyústí v nízkokvalitní nebo vysokokvalitní produkt. Mezitím druhá klasifikační metoda využívala regresní metodu, která odhadovala, které hodnoty parametrů by vedly k vysokokvalitnímu výsledku.

Podle výsledků výzkumu byly nejdůležitější parametry pro vysokokvalitní bioscaffoldy rozestup, vrstvení, tlak, složení materiálu a rychlost tisku. Rychlost tisku byla celkově nejvýznamnější proměnnou, následovaná složením materiálu. Doufá se, že výsledky studie povedou k lepšímu a rychlejšímu tisku bioscaffoldů, což zvýší spolehlivost 3D tisku tělesných částí, jako jsou chrupavky, kolenní čéšky a čelisti.

Podle Kavraki mají metody, které výzkumný tým použil, potenciál být použity v jiných laboratořích. Jak Kavraki uvedla pro ScienceDaily:

“V dlouhodobém horizontu by laboratoře měly být schopny pochopit, které z jejich materiálů mohou poskytnout různé typy tištěných scaffoldů, a v ještě delším horizontu dokonce předpovídat výsledky pro materiály, které dosud nevyzkoušely. V současné době nemáme dostatek dat, aby jsme to mohli udělat, ale doufáme, že bychom měli být schopni vygenerovat takové modely.”