數(shù)學(xué)模型助力生物3D打印條件優(yōu)化

來(lái)源： EngineeringForLife

3D生物打印技術(shù)在再生醫(yī)學(xué)和癌癥領(lǐng)域取得了較大進(jìn)步。整個(gè)打印過(guò)程中保持較高細(xì)胞活力十分重要，因?yàn)榭梢灾苯佑绊懙?D生物打印的準(zhǔn)確性、實(shí)驗(yàn)結(jié)果的有效性以及發(fā)現(xiàn)新的治療方法。要想得到理想結(jié)果，最重要的是優(yōu)化生物打印條件，包括在打印過(guò)程中和打印后影響細(xì)胞活力不同變量。目前，這些優(yōu)化主要是通過(guò)耗時(shí)耗錢(qián)的反復(fù)實(shí)驗(yàn)來(lái)完成的。

近日，來(lái)自加拿大滑鐵盧大學(xué)的Dorsa Mohammadrezaei教授團(tuán)隊(duì)進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)的貝葉斯優(yōu)化模型預(yù)測(cè)和優(yōu)化擠壓式生物打印中的細(xì)胞存活率的相關(guān)研究。研究成果以“Cell viability prediction and optimization in extrusion-based bioprinting via neural network-based Bayesian optimization models”為題于02月15日發(fā)表在《Biofabrication》上。

本文要點(diǎn)：

（1）本文首先創(chuàng)建了生物明膠和海藻酸鹽基生物墨水的參數(shù)數(shù)據(jù)集，并通過(guò)整合實(shí)驗(yàn)室獲得和文獻(xiàn)中的數(shù)據(jù)，確定相應(yīng)的細(xì)胞存活率。

（2）本文接著開(kāi)發(fā)了機(jī)器學(xué)習(xí)模型，根據(jù)不同生物打印變量預(yù)測(cè)細(xì)胞存活率。經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)回歸分析值為0.71，分類準(zhǔn)確率為0.86。與目前已開(kāi)發(fā)模型相比，本模型性能更優(yōu)越，具有很好的預(yù)測(cè)效果。

（3）本研究進(jìn)一步介紹了一種創(chuàng)新的優(yōu)化策略，該策略將貝葉斯優(yōu)化模型與所開(kāi)發(fā)的回歸神經(jīng)網(wǎng)絡(luò)相結(jié)合，確定所選生物打印參數(shù)的最佳組合，從而最大限度提高細(xì)胞活力，并減少試錯(cuò)實(shí)驗(yàn)。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)該優(yōu)化模型具有優(yōu)異的性能。

文章來(lái)源：
https://iopscience.iop.org/article/10.1088/1758-5090/ad17cf