基于约束的贝叶斯优化生物油墨前体:一个机器学习框架

科学领域:

• 生物材料科学 生物材料科学
• 组织工程是组织工程.
• 计算生物学 计算生物学

背景情况:

• 为生物打印优化生物墨水需要广泛的实验来确定可打印性,形状忠实性和生物相容性.
• 由于非牛顿行为和复杂的组成,预测生物墨水属性具有挑战性,现有的模型如Cross模型对于异质配方是不够的.
• 目前的方法导致了大量的实验工作量和时间投资,以确定合适的生物墨水成分.

研究的目的:

• 开发和验证一种机器学习框架,用于准确预测异质生物油墨成分的粘度.
• 通过简化最佳生物油墨配方的识别来增强基于挤出的生物打印技术.
• 为了减少发现有利于功能性组织生长的生物墨水的实验负担.

主要方法:

• 利用了结合贝叶斯优化 (BO) 的机器学习框架,从有限的数据集中预测生物墨水粘度.
• 开发了一种面具技术来处理复杂的约束,并为生物墨水组件和相互作用定义可行的参数空间.
• 采用人工智能引导的BO框架,并进行超参数优化,以平衡勘探和开发,指导样本选择直到趋同.

主要成果:

• 开发,测试和验证了一个替代模型,用于预测异质生物墨水组成的粘度.
• 由人工智能引导的BO框架成功预测了与细胞活力等外部性质相关的内在生物油墨因子 (粘度).
• 与传统的优化方法相比,实验工作量显著减少.

结论:

• 由人工智能引导的贝叶斯优化框架为预测异质生物墨水粘度提供了准确有效的方法.
• 这种数据驱动的方法加速了用于组织工程应用的最佳生物墨水组成的发现.
• 该方法提供了一个有前途的途径,通过尽量减少广泛的实验试验来推进组织工程.