FibreCastML:一个开放的网络平台,用于预测用于生物医学应用的电纳米纤维直径分布
Elisa Roldán1, Kirstie Andrews1, Stephen M Richardson2
1Department of Engineering, Faculty of Science & Engineering, Manchester Metropolitan University, Manchester, United Kingdom.
Frontiers in bioengineering and biotechnology
|March 6, 2026
概括
FibreCastML是一个新的机器学习框架,可以预测电回旋中的全纤维直径分布,超越仅仅是平均值的预测. 这使得组织工程和药物输送应用的支架设计更加准确和可重复.
科学领域:
- 生物材料工程 生物材料工程
- 纳米技术 纳米技术
- 计算科学 计算科学
背景情况:
- 电产生可调节的纤维性支架,用于生物医学应用.
- 当前的机器学习模型仅预测平均纤维直径,忽视了关键的分布信息.
- 脚手架的功能和生物模拟取决于整个纤维直径的分布.
研究的目的:
- 介绍FibreCastML,一个开放式访问,分布意识的机器学习框架.
- 从标准电旋参数预测全纤维直径光谱.
- 提供可解释的洞察力,了解处理参数如何影响纤维直径分布.
主要方法:
- 策划了来自1778项研究的68,538个纤维直径测量的元数据集.
- 使用六个标准输入参数训练了七个机器学习学习者.
- 用户嵌套的交叉验证与离开一个研究的外部折叠,以实现可泛化的性能.
- 综合变量重要性,夏普利添加式解释 (SHAP) 和3D参数图用于解释性.
主要成果:
- 非线性学习者在多种生物医学聚合物中获得了R2>0.91.
- 溶液度被确定为最有影响力的全球变量.
- FibreCastML准确地预测了纤维直径分布,经过实验验证 (科尔莫戈罗夫-斯米尔诺夫p > 0.13).
结论:
- 通过专注于分布意识建模,FibreCastML建立了电设计的新范式.
- 该框架使得脚手架架构的可重复,可持续和数据驱动的优化成为可能.
- FibreCastML为更快,更绿色,更可复制的电制造提供了全球研究的支持,推动了纳米制造和生物医学创新.
