Thuật toán AI có thể nâng cao việc tạo ra vật liệu bioscaffold và giúp chữa lành vết thương

Trí tuệ nhân tạo và học máy có thể giúp chữa lành vết thương bằng cách tăng tốc độ phát triển của bioscaffold in 3D. Bioscaffold là vật liệu cho phép các vật thể hữu cơ như da và cơ quan phát triển trên chúng. Công việc gần đây của các nhà nghiên cứu tại Đại học Rice đã áp dụng thuật toán AI vào việc phát triển vật liệu bioscaffold, với mục tiêu dự đoán chất lượng của vật liệu in. Các nhà nghiên cứu đã tìm thấy rằng việc kiểm soát tốc độ in là rất quan trọng để phát triển các vật liệu bioscaffold hữu ích.

Theo ScienceDaily, một nhóm các nhà nghiên cứu từ Đại học Rice đã hợp tác để sử dụng học máy để xác định các cải tiến có thể cho vật liệu bioscaffold. Nhà khoa học máy tính Lydia Kavraki, từ Trường Kỹ thuật Brown tại Rice, đã dẫn đầu một nhóm nghiên cứu áp dụng thuật toán học máy để dự đoán chất lượng vật liệu bioscaffold. Nghiên cứu này được đồng tác giả bởi nhà sinh học Rice Antonios Mikos, người làm việc trên các bioscaffold giống như xương, phục vụ như thay thế mô, nhằm hỗ trợ sự phát triển của mạch máu và tế bào, và cho phép mô bị thương chữa lành nhanh hơn. Các bioscaffold mà Mikos làm việc trên được thiết kế để chữa lành vết thương cơ-xương và sọ mặt. Các bioscaffold được sản xuất với sự hỗ trợ của các kỹ thuật in 3D, tạo ra các bioscaffold phù hợp với chu vi của một vết thương nhất định.

Quá trình in 3D vật liệu bioscaffold đòi hỏi phải thử nghiệm và sai sót nhiều lần để có được lô in đúng. Các tham số như thành phần vật liệu, cấu trúc và khoảng cách phải được tính đến. Việc áp dụng các kỹ thuật học máy có thể giảm thiểu rất nhiều thử nghiệm và sai sót này, cung cấp cho các kỹ sư các hướng dẫn hữu ích giảm thiểu nhu cầu điều chỉnh các tham số. Kavraki và các nhà nghiên cứu khác đã có thể cung cấp phản hồi cho nhóm kỹ thuật sinh học về các tham số nào quan trọng nhất, những tham số có khả năng ảnh hưởng đến chất lượng của vật liệu in.

Đội nghiên cứu đã bắt đầu bằng cách phân tích dữ liệu về việc in bioscaffold từ một nghiên cứu năm 2016 về polypropylene fumarate có thể phân hủy sinh học. Ngoài dữ liệu này, các nhà nghiên cứu đã đưa ra một tập hợp các biến số sẽ giúp họ thiết kế một phân loại học máy. Khi tất cả dữ liệu cần thiết đã được thu thập, các nhà nghiên cứu đã có thể thiết kế các mô hình, kiểm tra chúng và xuất bản kết quả chỉ trong hơn nửa năm.

Về các mô hình học máy được sử dụng bởi đội nghiên cứu, đội đã thử nghiệm hai cách tiếp cận khác nhau. Cả hai cách tiếp cận học máy đều dựa trên thuật toán rừng ngẫu nhiên,聚 hợp các cây quyết định để đạt được một mô hình mạnh mẽ và chính xác hơn. Một trong những mô hình mà đội đã thử nghiệm là một phương pháp phân loại nhị phân dự đoán liệu một tập hợp các tham số cụ thể sẽ dẫn đến một sản phẩm chất lượng thấp hay cao. Trong khi đó, phương pháp phân loại thứ hai sử dụng một phương pháp hồi quy ước tính các giá trị tham số nào sẽ cho kết quả chất lượng cao.

Theo kết quả của nghiên cứu, các tham số quan trọng nhất đối với bioscaffold chất lượng cao là khoảng cách, lớp, áp lực, thành phần vật liệu và tốc độ in. Tốc độ in là biến số quan trọng nhất, tiếp theo là thành phần vật liệu. Người ta hy vọng rằng kết quả của nghiên cứu sẽ dẫn đến việc in bioscaffold tốt hơn, nhanh hơn, từ đó nâng cao độ tin cậy của việc in các bộ phận cơ thể như sụn, đệm đầu gối và xương hàm.

Theo Kavraki, các phương pháp được sử dụng bởi đội nghiên cứu có tiềm năng được sử dụng tại các phòng thí nghiệm khác. Theo ScienceDaily, Kavraki đã được trích dẫn:

“Trong dài hạn, các phòng thí nghiệm nên có thể hiểu được vật liệu của họ có thể cung cấp cho họ các bioscaffold in khác nhau, và trong dài hạn, thậm chí dự đoán kết quả cho các vật liệu họ chưa thử. Chúng tôi không có đủ dữ liệu để làm điều đó ngay bây giờ, nhưng tại một thời điểm nào đó, chúng tôi nghĩ rằng chúng tôi nên có thể tạo ra các mô hình như vậy.”