机器学习集成工作流程用于预测导电性MXene生物界面上的施万细胞活力.

科学领域:

• 生物材料科学 生物材料科学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 周围神经系统 (PNS) 损伤需要施万细胞参与神经元再生.
• 低频电刺激促进了神经元 - 施瓦恩细胞在受伤的PNS中的共同生长.
• 电刺激与施万细胞活力之间的确切关系尚不清楚.

研究的目的:

• 开发一个机器学习 (ML) 集成的工作流程来评估施万细胞的生存能力.
• 通过使用导电性水凝生物界面,研究制造参数和电刺激对细胞活性的影响.
• 根据实验参数创建基于施万细胞生存能力的预测模型.

主要方法:

• 用不同的MXene和载荷作为导电生物界面制造水凝阵列.
• 施万细胞的化和各种电刺激 (电压,频率) 的应用.
• 开发一个人工神经网络模型,使用实验数据进行训练,并增加1000倍的虚拟数据点.

主要成果:

• 获得了高精度的施万细胞活性的预测模型 (测试平均绝对误差≤11%).
• 该模型根据制造和刺激参数准确预测细胞活力.
• 沙普利添加剂解释提供了通过细胞观测验证的数据科学见解.

结论:

• 结合导电生物界面,ML和数据分析的混合方法为临床前细胞水平预测提供了一个新的平台.
• 这种工作流可以准确预测施万细胞活力,这对于推进PNS再生策略至关重要.
• 这项研究为优化生物界面设计和用于神经修复的电刺激协议提供了基础.