Алгоритмы ИИ могут улучшить создание биоскаффолдных материалов и помочь в заживлении ран

Искусственный интеллект и машинное обучение могут помочь в заживлении ран, увеличивая скорость разработки 3D-печатных биоскаффолдов. Биоскаффолды – это материалы, которые позволяют органическим объектам, таким как кожа и органы, расти на них. Недавняя работа, выполненная исследователями в Университете Райса, применявших алгоритмы ИИ к разработке биоскаффолдных материалов, имела целью предсказать качество напечатанных материалов. Исследователи обнаружили, что контроль скорости печати имеет решающее значение для разработки полезных биоскаффолдных имплантатов.

Как сообщает ScienceDaily, команда исследователей из Университета Райса сотрудничала в использовании машинного обучения для выявления возможных улучшений биоскаффолдных материалов. Компьютерный ученый Лидия Кавраки из Школы инженерии Брауна в Университете Райса возглавляла исследовательскую команду, которая применяла алгоритмы машинного обучения для предсказания качества материала биоскаффолда. Исследование было написано в соавторстве с биоинженером Антониосом Микосом, который работает над подобными костным биоскаффолдам, служащими заменой тканей, предназначенными для поддержки роста кровеносных сосудов и клеток и позволяющими поврежденным тканям заживать быстрее. Биоскаффолды, над которыми работает Микос, предназначены для заживления мышечных и лицевых ран. Биоскаффолды производятся с помощью 3D-печати, которая производит сети, соответствующие периметру данной раны.

Процесс 3D-печати биоскаффолдного материала требует большого количества проб и ошибок, чтобы получить напечатанную партию именно так, как нужно. Различные параметры, такие как состав материала, структура и расстояние, должны быть приняты во внимание. Применение методов машинного обучения может сократить большую часть этих проб и ошибок, давая инженерам полезные рекомендации, которые уменьшают необходимость экспериментирования с параметрами. Кавраки и другие исследователи смогли дать команде биоинженеров обратную связь о том, какие параметры были наиболее важными, те, которые с наибольшей вероятностью повлияют на качество напечатанного материала.

Исследовательская команда начала с анализа данных о печати сети из исследования 2016 года о биоразлагаемом фумарате пропилена. Помимо этих данных, исследователи разработали набор переменных, которые помогли им разработать классификатор машинного обучения. Как только все необходимые данные были собраны, исследователи смогли разработать модели, протестировать их и опубликовать результаты всего за полгода.

В отношении моделей машинного обучения, использованных исследовательской командой, команда экспериментировала с двумя разными подходами. Оба подхода к машинному обучению основаны на алгоритмах случайного леса, которые объединяют деревья решений для получения более прочной и точной модели. Одна из моделей, протестированных командой, была бинарным методом классификации, который предсказывал, приведет ли определенный набор параметров к низкокачественному или высококачественному продукту. Тем временем второй метод классификации использовал регрессионный метод, который оценивал, какие значения параметров дадут высококачественный результат.

Согласно результатам исследования, наиболее важными параметрами для высококачественных биоскаффолдов были расстояние, слоение, давление, состав материала и скорость печати. Скорость печати была наиболее важной переменной в целом, за ней следовал состав материала. Надеются, что результаты исследования приведут к лучшей, более быстрой печати биоскаффолдов, тем самым повышая надежность 3D-печати частей тела, таких как хрящи, коленные чашечки и челюстные кости.

По словам Кавраки, методы, используемые исследовательской командой, имеют потенциал быть использованными в других лабораториях. Как цитирует ScienceDaily:

“В долгосрочной перспективе лаборатории должны быть в состоянии понять, какие из их материалов могут дать им разные виды напечатанных биоскаффолдов, и в очень долгосрочной перспективе даже предсказать результаты для материалов, которые они еще не пробовали. У нас пока недостаточно данных, чтобы сделать это, но в какой-то момент мы думаем, что должны быть в состоянии сгенерировать такие модели.”