使用机器学习为可注射重组原凝制剂优化培养条件
Mengyu Li1, Long Zhao2, Yanan Ren3
1Key Laboratory of Resource Biology and Modern Biotechnology in Western China, Ministry of Education, College of Life Sciences, Northwest University, Xi'an 710069, China.
Gels (Basel, Switzerland)
|February 25, 2025
概括
机器学习优化了复合原凝 (RCH) 生产. 神经网络模型确定了最佳培养条件,产生具有与自然弹性软骨相似的特性的水凝.
科学领域:
- 生物材料科学 生物材料科学
- 生物技术是生物技术.
- 材料工程 材料工程 材料工程
背景情况:
- 可注射复合原液 (RCHs) 对于生物医学应用至关重要.
- 水凝的特性受到培养条件的显著影响.
- 有效地确定RCHs的最佳培养条件仍然是一个挑战.
研究的目的:
- 开发一种用于预测RCH特征的机器学习方法.
- 为了确定RCH制备的最佳培养条件.
- 探索培养参数与水凝弹性模块之间的相关性.
主要方法:
- 研究了四个独立变量:基质度,温度,pH值和反应时间.
- 使用多重线性回归 (ML),决策树 (DT),支持矢量机 (SVM) 和神经网络 (NN) 模型.
- 评估弹性模块作为依赖变量.
主要成果:
- 神经网络 (NN) 模型在预测弹性模量方面表现出最高的准确性.
- 确定了最佳条件:15% (W/V) 基质度,4°C,pH7.0和12小时的反应时间.
- 在最佳条件下预测的弹性模量达到15,340 Pa.
结论:
- 机器学习,特别是NN,对于优化RCH培养条件是有效的.
- 鉴定到的最佳条件会产生具有与自然弹性软骨相比较的机械性能的RCHs.
- 这种方法加速了用于先进生物医学用途的RCHs的开发.
