アルゴリズムを使用してバイオスキャフォールド材料の作成を強化し、傷を治癒させる

人工知能と機械学習は、3Dプリンティングされたバイオスキャフォールドの開発速度を高めることで、傷の治癒を助けることができます。バイオスキャフォールドは、皮膚や臓器などの有機物が成長することを可能にする材料です。ライス大学の研究者による最近の研究では、バイオスキャフォールド材料の開発にアルゴリズムを適用し、印刷された材料の品質を予測することを目的としました。研究者は、印刷の速度を制御することが有用なバイオスキャフォールドインプラントの開発に不可欠であることを発見しました。

ScienceDailyの報告によると、ライス大学の研究者チームはマシンラーニングを使用して、バイオスキャフォールド材料の改善点を特定しました。コンピューターサイエンティストのLydia Kavrakiは、ブラウン工学学校のライス大学で、マシンラーニングアルゴリズムを適用してスキャフォールド材料の品質を予測する研究チームを率いました。この研究は、骨のようなバイオスキャフォールドを開発しているライス大学のバイオエンジニアAntonios Mikosによって共同で執筆されました。ミコスが開発しているバイオスキャフォールドは、筋骨格と頭蓋顔面の傷を治癒することを目的としています。バイオスキャフォールドは、3Dプリンティング技術を使用して製造され、特定の傷の周囲に合わせて作成されます。

バイオスキャフォールド材料の3Dプリンティングプロセスでは、印刷されたバッチを正しく取得するために多くの試行錯誤が必要です。材料の組成、構造、間隔などのさまざまなパラメータを考慮する必要があります。マシンラーニング技術の適用により、これらの試行錯誤を大幅に削減できます。Kavrakiと他の研究者は、バイオエンジニアリングチームに、最も重要なパラメータに関するフィードバックを提供できました。これらのパラメータは、印刷された材料の品質に最も影響を与える可能性があります。

研究チームは、2016年の研究でバイオ分解性ポリプロピレンフマラートのスキャフォールド印刷に関するデータを分析することから始めました。このデータに加えて、研究者はマシンラーニング分類器を設計するために役立つ一連の変数を開発しました。必要なすべてのデータを収集した後、研究者はモデルを設計してテストし、結果をわずか半年以上で公開することができました。

研究チームが使用したマシンラーニングモデルについては、2つの異なるアプローチを実験しました。両方のマシンラーニングアプローチは、ランダムフォレストアルゴリズムに基づいていました。ランダムフォレストアルゴリズムは、決定木を集約してより強力で正確なモデルを実現します。テストされたモデルの1つは、特定のパラメータセットが低品質または高品質の製品をもたらすかどうかを予測する二項分類方法でした。一方、2番目の分類方法は、回帰法を使用して、どのパラメータ値が高品質の結果をもたらすかを推定しました。

研究結果によると、高品質のバイオスキャフォールドに最も重要なパラメータは、間隔、積層、圧力、材料組成、印刷速度でした。印刷速度は、材料組成に次ぐ全体で最も重要な変数でした。研究結果がバイオスキャフォールドの印刷速度を高めることを可能にし、3Dプリンティングされた体の部品の信頼性を高めることを期待しています。

Kavrakiによると、研究チームが使用した方法は他の研究所でも使用できます。ScienceDailyの引用によると、

“長期的には、研究所はどの材料が異なる種類の印刷スキャフォールドを提供できるかを理解できるはずです。さらに長期的には、試したことのない材料の結果を予測できるはずです。現在、そんなモデルを生成するには十分なデータがありませんが、いつかはできるようになるはずです。”