AI-algoritmer kan förbättra skapandet av bioscaffoldmaterial och hjälpa till att läka sår

Konstgjord intelligens och maskinlärning kan hjälpa till att läka skador genom att öka utvecklingshastigheten för 3D-utskrivna bioscaffolds. Bioscaffolds är material som tillåter organiska föremål, som hud och organ, att växa på dem. Nyligen genomförde forskare vid Rice University ett arbete där de tillämpade AI-algoritmer på utvecklingen av bioscaffoldmaterial, med målet att förutsäga kvaliteten på utskrivna material. Forskarna fann att kontroll av utskrivarhastigheten var avgörande för utvecklingen av användbara bioscaffoldimplantat.

Enligt ScienceDaily samarbetade en grupp forskare från Rice University för att använda maskinlärning för att identifiera möjliga förbättringar av bioscaffoldmaterial. Datorsystemforskaren Lydia Kavraki från Brown School of Engineering vid Rice ledde en forskargrupp som tillämpade maskinlärningsalgoritmer för att förutsäga kvaliteten på scaffolddetaljer. Studien var skriven tillsammans med Rice-bioingenjören Antonios Mikos, som arbetar med benliknande bioscaffolds som fungerar som vävnadsersättningar, avsedda att stödja tillväxten av blodkärl och celler och möjliggöra att skadad vävnad läker snabbare. Bioscaffolderna som Mikos arbetar med är avsedda att läka muskuloskeletala och kraniofaciala sår. Bioscaffolderna tillverkas med hjälp av 3D-utskriftstekniker som producerar scaffolds som passar omkretsen av ett visst sår.

Processen att 3D-utskriva bioscaffoldmaterial kräver många försök och misstag för att få den utskrivna batchen rätt. Olika parametrar som materialkomposition, struktur och avstånd måste beaktas. Tillämpningen av maskinlärningstekniker kan minska mycket av detta försök och misstag, vilket ger ingenjörerna användbara riktlinjer som minskar behovet av att experimentera med parametrar. Kavraki och andra forskare kunde ge bioingenjörsteamet feedback om vilka parametrar som var viktigast, de som sannolikt skulle påverka kvaliteten på det utskrivna materialet.

Forskningsgruppen började med att analysera data om utskrift av scaffolds från en studie från 2016 om biologiskt nedbrytbar polypropenfumarat. Utöver denna data kom forskarna med en uppsättning variabler som skulle hjälpa dem att utforma en maskinlärningsklassificerare. När all nödvändig data hade samlats in kunde forskarna utforma modeller, testa dem och publicera resultaten på bara över ett halvår.

När det gäller de maskinlärningsmodeller som forskargruppen använde, experimenterade de med två olika tillvägagångssätt. Båda maskinlärningstillvägagångssätten baserades på slumpmässiga skogsalgoritmer, som kombinerar beslutsfattningsträd för att uppnå en mer robust och exakt modell. En av de modeller som gruppen testade var en binär klassificeringsmetod som förutsåg om en viss uppsättning parametrar skulle resultera i ett lågkvalitets- eller högkvalitetsprodukt. Samtidigt använde den andra klassificeringsmetoden en regressionsmetod som uppskattade vilka parametervärden som skulle ge ett högkvalitetsresultat.

Enligt resultaten från studien var de viktigaste parametrarna för högkvalitetsbioscaffolds avstånd, skiktning, tryck, materialkomposition och utskrivarhastighet. Utskrivarhastigheten var den viktigaste variabeln totalt sett, följt av materialkomposition. Det förväntas att resultaten från studien kommer att leda till bättre och snabbare utskrift av bioscaffolds, vilket förbättrar tillförlitligheten för 3D-utskrivna kroppsdetaljer som brosk, knäskålar och käkben.

Enligt Kavraki har de metoder som forskargruppen använde potentialen att användas i andra laboratorier. Som Kavraki citerades av ScienceDaily:

“På lång sikt bör laboratorierna kunna förstå vilka av deras material som kan ge dem olika typer av utskrivna scaffolds, och på mycket lång sikt, till och med förutsäga resultat för material de inte har testat. Vi har inte tillräckligt med data för att göra det just nu, men på någon punkt tror vi att vi bör kunna generera sådana modeller.”