机器学习辅助的硬度预测在高细胞密度生物打印中
Jiaao Guan1, Yazhi Sun1, Emmie J Yao1
1Aiiso Yufeng Li Family Department of Chemical and Nano Engineering, University of California San Diego, La Jolla, CA 92093, USA.
Bio-design and manufacturing
|March 2, 2026
概括
这项研究引入了一种机器学习模型,用于预测高细胞密度生物打印支架的刚性,从而能够精确控制组织工程结构. 该方法即使在有限的宝贵细胞数据中也确保了准确性.
科学领域:
- 组织工程是组织工程.
- 生物材料科学 生物材料科学
- 生物技术是生物技术.
背景情况:
- 数字光处理 (DLP) 3D生物打印使复杂的脚手架制造成为可能.
- 控制机械特性,如刚性,对于工程组织中的细胞活动至关重要.
- 由于光相互作用,高细胞密度 (HCD) 打印在刚度调节方面存在挑战.
研究的目的:
- 开发一种机器学习模型,用于预测载有细胞的水凝支架的刚性.
- 为了应对HCD生物打印中刚性调节的挑战.
- 用有限的数据集确保模型通用性,特别是对于珍贵细胞类型.
主要方法:
- 利用基于神经网络的机器学习技术.
- 从3D生物打印样本中使用全面的机械测试数据训练模型.
- 员工转移学习以减少珍贵细胞类型的数据来实现良好的性能.
主要成果:
- 开发的模型准确地预测了载有细胞的水凝支架的刚性.
- 转移学习方法在具有有限数据的宝贵细胞类型中表现出有效性.
- 机器学习方法在硬度预测方面表现优于其他技术.
结论:
- 这项工作为细胞载荷支架的刚性预测提供了可靠和高效的解决方案.
- 这一突破促进了精确的生物打印和定制组织工程.
- 能够更好地控制复杂的3D生物打印结构中的机械性能.
