通过基于神经网络的贝叶斯优化模型,在基于挤出的生物打印中预测和优化细胞活力.

科学领域:

• 生物技术是生物技术.
• 再生医学是一种再生医学.
• 生物制造的生物制造

背景情况:

• 3D生物打印对于再生医学和癌症建模至关重要.
• 在3D生物打印中,高细胞活力对于模型准确性和实验有效性至关重要.
• 当前的优化方法依赖于耗时的试错实验.

研究的目的:

• 开发机器学习模型,用于预测3D生物打印中的细胞活力.
• 为生物打印参数创建一个新的优化策略,以最大限度地提高细胞活力.
• 为了减少对3D生物打印的经验优化方法的依赖.

主要方法:

• 编制了一个生物打印参数和细胞活性的数据集,用于凝和酸生物墨水.
• 开发和训练神经网络模型来预测细胞活力.
• 集成贝叶斯优化与回归神经网络进行参数优化.

主要成果:

• 通过训练的神经网络,实现了0.71的回归R2值和0.86的分类准确性.
• 与现有模型相比,证明了优越的预测性能.
• 实验验证了贝叶斯优化策略的有效性.

结论:

• 机器学习模型为预测和优化3D生物打印中的细胞生存能力提供了强大的工具.
• 提出的贝叶斯优化策略有效地最大限度地提高了细胞生存能力,最大限度地减少了实验代.
• 这种方法提高了生物医学应用3D生物打印的效率和可靠性.