Поделиться
Нейросети помогут оптимизировать создание скаффолдов для биомедицины
Ученые Томского политехнического университета совместно с коллегами выяснили, что нейронные сети эффективнее всего при прогнозировании критично важных для свойств полимерных скаффолдов параметров – диаметра волокон и прочности на разрыв. Подобные материалы из поликапролактона, изготовленные методом электроформования, применяют для регенерации костной, нервной, эпителиальной, хрящевой тканей. В перспективе предложенный подход можно масштабировать и для других видов медицинских изделий. Об этом CNews сообщили представители ТПУ.
Результаты опубликованы в Computers in Biology and Medicine (Q1, IF: 6.3). Исследование проводится при поддержке Министерства науки и высшего образования России в рамках госзадания «Наука» (№ FSWW-2023-0007).
Поликапролактон – один из хорошо изученных и широко используемых полимеров, который активно применяется в медицине благодаря своим свойствам – биоразлагаемости и биосовместимости. Метод электроспиннинга (электроформования), используемый для получения нетканых волокнистых структур посредством электрического поля высокой напряженности, показал себя эффективным для изготовления подобных скаффолдов. На их итоговые свойства влияет ряд параметров, включая диаметр волокон, прочность на разрыв, тип растворителя, концентрацию полимера в прядильном растворе, приложенное напряжение, размер иглы, скорость расхода раствора и так далее. Так, например, диаметр волокон электроформованных скаффолдов критически влияет на клеточные реакции, включая адгезию клеток, их пролиферацию (деление) и дифференцировку.
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 (одна из наиболее распространенных методологий определения поверхности отклика), 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 детального анализа настройки гиперпараметров, что ограничивает их воспроизводимость и практическую применимость», – сказал один из соавторов, младший научный сотрудник лаборатории плазменных гибридных систем Арсалан Бадараев.
Используя дизайн Бокса-Бенкена, традиционные алгоритмы машинного обучения и искусственные нейронные сети, ученые изготовили 18 скаффолдов из поликапролактона, которые сравнили с 15 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», – сказал 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. В результате 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 был 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», – сказал и.о. руководителя лаборатории плазменных гибридных систем Сергей Твердохлебов.
В дальнейшем разработанную методику планируется использовать для прогнозирования физических свойств полимерных скаффолдов, напечатанных на 3D-принтере.
В исследовании участвовали сотрудники Научно-образовательного центра Б.П. Вейнберга Инженерной школы ядерных технологий, отделения нефтегазового дела Инженерной школы природных ресурсов и Центра искусственного интеллекта «Сколтеха».
Короткая ссылка
