Нейросети помогут оптимизировать создание скаффолдов для биомедицины

Ученые Томского политехнического университета и Центра искусственного интеллекта Сколтеха проанализировали различные методы определения оптимальных технологических параметров изготовления полимерных скаффолдов методами электроформования и 3D-печати. Подобные материалы из поликапролактона применяют для регенерации костной, нервной, эпителиальной, хрящевой тканей.

Исследователи выяснили, что нейронные сети наиболее эффективно справляются с прогнозированием критически важных параметров — диаметра волокон и прочности на разрыв. В перспективе предложенный подход можно масштабировать и для других видов медицинских изделий, сообщает пресс-служба ТПУ.

Поликапролактон — один из хорошо изученных и широко используемых полимеров, активно применяемый в медицине благодаря биосовместимости и биоразлагаемости. Метод электроформования, используемый для получения нетканых волокнистых структур посредством электрического поля высокой напряженности, показал себя эффективным для изготовления подобных скаффолдов. На итоговые свойства влияет ряд параметров, включая диаметр волокон, прочность на разрыв, тип растворителя, концентрация полимера в прядильном растворе, приложенное напряжение, размер иглы, скорость расхода раствора и так далее. Например, диаметр волокон электроформованных скаффолдов критически влияет на клеточные реакции, включая адгезию клеток, их пролиферацию и дифференцирацию.

«Определение оптимальных технологических параметров электроформования для изготовления матриц из поликапролактона с оптимальными свойствами — это сложный процесс, требующий значительных временных и человеческих ресурсов. Для решения этой проблемы используются различные методы планирования экспериментов, среди которых дизайн Бокса-Бенкена, традиционные алгоритмы машинного обучения и искусственные нейронные сети. Каждый из них является применимым инструментом для оптимизации и прогнозирования свойств нетканых матриц, однако до настоящего времени систематический сравнительный анализ их влияния на прогнозирование свойств электроформованных скаффолдов с различной морфологией не проводился. Более того, многие существующие в данной области исследования не содержат информацию о предварительно обученных моделях или детальный анализ настройки гиперпараметров, что ограничивает их воспроизводимость и практическую применимость», — рассказал младший научный сотрудник лаборатории плазменных гибридных систем Арсалан Бадараев.

Используя дизайн Бокса-Бенкена, традиционные алгоритмы машинного обучения и искусственные нейронные сети, ученые изготовили восемнадцать скаффолдов из поликапролактона, которые сравнили с пятнадцатью учебными и тремя тестовыми образцами для получения экспериментальных значений диаметра волокна и прочности на разрыв. Для изготовления нетканых скаффолдов были выбраны три переменных фактора — концентрация поликапролактона в растворе для электроспиннинга, напряжение, приложенное между кончиком иглы и коллектором, и размер иглы.

«Диаметр волокон и прочность на разрыв были спрогнозированы с помощью множества алгоритмов машинного обучения и моделей искусственных нейронных сетей. Результаты исследований показали, что модели дизайна Бокс-Бенкена не смогли предсказать данные по диаметру волокна и прочности на разрыв. Две лучшие модели традиционных алгоритмов машинного обучения продемонстрировали точные прогнозы для диаметра волокон, но столкнулись с проблемами в определении прочности на разрыв, тогда как две лучшие модели искусственных нейронных сетей смогли точно предсказать диаметр волокна и обеспечить надежные прогнозы прочности на разрыв», — рассказал доцент отделения нефтегазового дела ТПУ Шадфар Давуди.

Для оценки методологии, основанной на искусственных нейронных сетях, также использовались наборы литературных данных, подтвердившие ее эффективность и надежность. Ученые установили, что правильно настроенные модели искусственных нейронных сетей, основанные на двухслойном персептроне, способны извлекать значимые закономерности из небольших экспериментальных наборов данных со сложными зависимостями, что снижает необходимость в проведении обширных экспериментов. Кроме того, модели искусственных нейронных сетей эффективны для анализа и прогнозирования физических параметров даже для скаффолдов с существенно различающейся морфологией.

«Нами представлен новый систематический подход к оптимизации алгоритма нейронной сети для прогнозирования диаметра волокна и прочности на разрыв скаффолдов на основе поликапролактона, изготовленных методом электроспиннинга. Более того, разработанный метод может быть использован не только для скаффолдов из поликапролактона, но и для различных типов полимеров, из которых можно получить скаффолды методом электроспиннинга. Использование нейронных сетей является логическим продолжением цикла работ по моделированию медицинских материалов, выполненных совместно с нашим австралийским коллегой Юрием Анисимовым», — рассказал исполняющий обязанности руководителя лаборатории плазменных гибридных систем Сергей Твердохлебов.

В дальнейшем разработанную методику планируется использовать для прогнозирования физических свойств 3D-печатных полимерных скаффолдов.

Исследование выполнено сотрудниками Научно-образовательного центра Б. П. Вейнберга Инженерной школы ядерных технологий, отделения нефтегазового дела Инженерной школы природных ресурсов и Центра искусственного интеллекта Сколтеха при поддержке Министерства науки и высшего образования РФ. Результаты опубликованы в журнале Computers in Biology and Medicine.

А у вас есть интересные новости? Поделитесь с нами своими разработками, и мы расскажем о них всему миру! Ждем ваши идеи по адресу news@3Dtoday.ru.