AI 알고리즘이 바이오스캐폴드 재료의 생성을 강화하고 상처를 치유하는 데 도움을 줄 수 있다

인공 지능과 기계 학습은 3D 프린팅된 바이오스캐폴드의 개발 속도를 높임으로써 부상을 치유하는 데 도움을 줄 수 있다. 바이오스캐폴드는 피부와 기관 gibi 유기체가 자라날 수 있는 재료이다. 최근 Rice University의 연구자들이 바이오스캐폴드 재료의 개발에 AI 알고리즘을 적용한 연구가 수행되었다. 연구자들은 인쇄 속도를 제어하는 것이 유용한 바이오스캐폴드 이식물의 개발에 중요하다는 것을 발견했다.

ScienceDaily에 따르면, Rice University의 연구자 팀은 바이오스캐폴드 재료의 개선을 위해 기계 학습을 사용했다. 컴퓨터 과학자 Lydia Kavraki는 Rice University의 Brown School of Engineering에서 연구 팀을 이끌었으며, 기계 학습 알고리즘을 사용하여 스캐폴드 재료의 품질을 예측했다. 이 연구는 Rice University의 바이오 엔지니어 Antonios Mikos와 공동으로 수행되었으며, Mikos는 골과 같은 바이오스캐폴드를 개발하고 있다. 이러한 바이오스캐폴드는 조직 대체물로 사용되며, 혈관과 세포의 성장을 지원하여 상처를 더 빠르게 치유하는 데 도움을 준다. Mikos가 연구하는 바이오스캐폴드는 3D 프린팅 기술을 사용하여 제작되며, 주어진 상처의周囲에 맞게 제작된다.

바이오스캐폴드 재료를 3D 프린팅하는 과정은 올바른 인쇄 배치를 얻기 위해 많은 시도와 오류가 필요하다. 재료 구성, 구조, 간격 등 다양한 매개변수가 고려되어야 한다. 기계 학습 기술의 적용은 이러한 시도와 오류를 많이 줄일 수 있으며, 엔지니어에게 유용한 지침을 제공한다. Kavraki와 다른 연구자들은 바이오 엔지니어링 팀에 매개변수의 중요성을 알려주는 피드백을 제공할 수 있었다.

연구 팀은 2016년의 생분해성 폴리프로필렌 푸마레이트에 대한 연구 데이터를 분석하여 시작했다. 이후 연구자들은 기계 학습 분류기를 설계하기 위한 변수 집합을 개발했다. 필요한 데이터를 모두 수집한 후, 연구자들은 모델을 설계하고 테스트하여 결과를 약 6개월 만에 출판할 수 있었다.

연구 팀은 두 가지 다른 기계 학습 접근 방식을 실험했다. 두 접근 방식 모두 랜덤 포레스트 알고리즘을 기반으로 하며, 더 강력하고 정확한 모델을 얻기 위해 의사 결정 트리를 집계한다. 연구 팀이 테스트한 모델 중 하나는 이진 분류 방법으로, 특정 매개변수 집합이 낮은 품질 또는 높은 품질의 제품을 생성할지 예측했다. 두 번째 분류 방법은 회귀 방법을 사용하여 높은 품질의 결과를 얻을 매개변수 값을 추정했다.

연구 결과에 따르면, 높은 품질의 바이오스캐폴드를 얻기 위한 가장 중요한 매개변수는 간격, 층화, 압력, 재료 구성, 및 인쇄 속도였다. 인쇄 속도는 가장 중요한 변수였으며, 그 다음으로 재료 구성이 중요했다. 연구 결과가 바이오스캐폴드의 더 빠르고 더 나은 인쇄를 가능하게 하여, 카티리지, 슬개골, 턱뼈와 같은 신체 부위를 3D 프린팅하는 신뢰성을 높일 수 있을 것으로 기대된다.

Kavraki에 따르면, 연구 팀이 사용한 방법은 다른 연구실에서도 사용할 수 있다. ScienceDaily에 따르면, Kavraki는 다음과 같이 말했다.

“장기적으로, 연구실은 자신이 사용하는 재료가 어떤 종류의 인쇄된 스캐폴드를 생성할 수 있는지 이해할 수 있을 것이다. 그리고 매우 장기적으로, 아직 시도하지 않은 재료에 대한 결과를 예측할 수 있을 것이다. 현재로서는 충분한 데이터가 없지만, 언젠가 이러한 모델을 생성할 수 있을 것으로 생각한다.”