數(shù)學(xué)模型助力生物3D打印條件優(yōu)化

來源： 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)化主要是通過耗時(shí)耗錢的反復(fù)實(shí)驗(yàn)來完成的。

近日,，來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,。

文章來源：
https://iopscience.iop.org/article/10.1088/1758-5090/ad17cf