机器学习增强优化用于高通量精度的细胞液滴生物打印.

科学领域:

• 生物技术和生物医学工程 生物技术和生物医学工程

背景情况:

• 使用手工管道的传统有机体生产方法是劳动密集型的,容易产生批量变化.
• 3D生物打印为一致的有机体生产提供了更有效的替代方案,但参数优化具有挑战性.

研究的目的:

• 使用机器学习来优化有机体生产的关键3D生物打印参数.
• 根据打印参数开发算法,立即预测基于打印参数的细胞液滴大小.

主要方法:

• 设计了一种高通量细胞液滴生物打印机,能够同时打印50多个液滴.
• 利用机器学习优化五个参数:生物墨水粘度,喷嘴大小,打印时间,打印压力和细胞度.
• 评估了五种机器学习算法,包括多层感知器和决策树模型.

主要成果:

• 多层感知子模型实现了对细胞滴滴大小的最高预测准确度.
• 决策树模型在评估算法中提供了最快的计算时间.
• 开发了一个用户友好的界面,整合了优化的机器学习模型.

结论:

• 机器学习有效地优化了3D生物打印参数,用于可复制的有机体生产.
• 开发的平台简化了有机物生成,使可扩展的生产用于各种应用.
• 预计这种方法将与各种生物打印技术产生协同作用.