Gli algoritmi di intelligenza artificiale possono migliorare la creazione di materiali bioscaffold e aiutare a guarire le ferite

L’intelligenza artificiale e l’apprendimento automatico potrebbero aiutare a guarire le lesioni aumentando la velocità di sviluppo di bioscaffold stampati in 3D. I bioscaffold sono materiali che consentono a oggetti organici, come la pelle e gli organi, di crescere su di essi. Un recente lavoro condotto da ricercatori alla Rice University ha applicato algoritmi di intelligenza artificiale allo sviluppo di materiali bioscaffold, con l’obiettivo di prevedere la qualità dei materiali stampati. I ricercatori hanno scoperto che il controllo della velocità di stampa è cruciale per lo sviluppo di impianti bioscaffold utili.
Come riportato da ScienceDaily, un team di ricercatori della Rice University ha collaborato per utilizzare l’apprendimento automatico per identificare possibili miglioramenti ai materiali bioscaffold. La scienziata informatica Lydia Kavraki, della Brown School of Engineering alla Rice, ha guidato un team di ricerca che ha applicato algoritmi di apprendimento automatico per prevedere la qualità del materiale dello scaffold. Lo studio è stato co-autore del bioingegnere della Rice Antonios Mikos, che lavora su bioscaffold simili alle ossa che servono come sostituti di tessuti, destinati a supportare la crescita di vasi sanguigni e cellule e consentire ai tessuti feriti di guarire più velocemente. I bioscaffold su cui lavora Mikos sono destinati a guarire ferite muscoloscheletriche e craniofacciali. I bioscaffold sono prodotti con l’aiuto di tecniche di stampa 3D che producono scaffold che si adattano al perimetro di una ferita data.
Il processo di stampa 3D di materiali bioscaffold richiede molti tentativi ed errori per ottenere il lotto stampato giusto. Vari parametri come la composizione del materiale, la struttura e la spaziatura devono essere presi in considerazione. L’applicazione di tecniche di apprendimento automatico può ridurre molto di questo tentativo e dell’errore, fornendo agli ingegneri linee guida utili che riducono la necessità di giocare con i parametri. Kavraki e altri ricercatori sono stati in grado di fornire al team di bioingegneria un feedback su quali parametri fossero più importanti, quelli più probabili di impattare sulla qualità del materiale stampato.
Il team di ricerca ha iniziato analizzando i dati sulla stampa di scaffold da uno studio del 2016 su polipropilene fumarato biodegradabile. Oltre a questi dati, i ricercatori hanno elaborato un set di variabili che avrebbero aiutato a progettare un classificatore di apprendimento automatico. Una volta raccolti tutti i dati necessari, i ricercatori sono stati in grado di progettare modelli, testarli e pubblicare i risultati in poco più di metà anno.
In termini di modelli di apprendimento automatico utilizzati dal team di ricerca, il team ha sperimentato due approcci diversi. Entrambi i modelli di apprendimento automatico si basavano su algoritmi di random forest, che aggregano alberi decisionali per ottenere un modello più robusto e preciso. Uno dei modelli che il team ha testato è stato un metodo di classificazione binaria che prevedeva se un particolare set di parametri avrebbe prodotto un prodotto di bassa o alta qualità. Nel frattempo, il secondo metodo di classificazione ha utilizzato un metodo di regressione che stima quali valori di parametro avrebbero prodotto un risultato di alta qualità.
Secondo i risultati della ricerca, i parametri più importanti per bioscaffold di alta qualità sono la spaziatura, la stratificazione, la pressione, la composizione del materiale e la velocità di stampa. La velocità di stampa è stata la variabile più importante nel complesso, seguita dalla composizione del materiale. Si spera che i risultati dello studio porteranno a una stampa più veloce e migliore di bioscaffold, migliorando così l’affidabilità della stampa 3D di parti del corpo come cartilagine, rotule e mascella.
Secondo Kavraki, i metodi utilizzati dal team di ricerca hanno il potenziale per essere utilizzati in altri laboratori. Come Kavraki è stato citato da ScienceDaily:
“Nel lungo termine, i laboratori dovrebbero essere in grado di capire quali dei loro materiali possono fornire loro diversi tipi di scaffold stampati e, nel lungo termine, anche prevedere i risultati per materiali che non hanno provato. Non abbiamo abbastanza dati per farlo adesso, ma a un certo punto pensiamo che dovremmo essere in grado di generare tali modelli.”