Ein klassifikationsbasierter Machine-Learning-Ansatz zur Verständnis und Ableitung des letztendlichen erfolgreichen Bioprinting-Prozesses

Abstract 3D-Bioprinting entwickelt sich zu einem herausragenden Werkzeug für regenerative Medizin und biomedizinische Anwendungen. Unter den extrusionsbasierten, laserunterstützten und tropfenbasierten Techniken erhält das extrusionsbasierte Bioprinting größere Aufmerksamkeit aufgrund seiner Fähigkeit, eine Vielzahl von Materialtypen zu verarbeiten und dabei höhere Zelldichten zu unterstützen. Drei Hauptaufgaben in einem erfolgreichen Bioprinting-Prozess sind die Formulierung von Bioink, die Optimierung der Druckprozessparameter (z. B. Extrusionsdruck, Düsendurchmesser, Druckgeschwindigkeit und -abstand sowie Umgebung), um das gewünschte Konstrukt zu erhalten, und schließlich die gezielte Zellüberlebensfähigkeit und -wachstum im Konstrukt. Die meisten bestehenden Arbeiten konzentrieren sich auf jede Aufgaben-Kategorie und betrachten jede Prozessoptimierung einzeln. Das Ziel ist jedoch, das Bioprinting durch den sequenziellen Erfolg all dieser drei Aufgaben-Kategorien erfolgreich zu machen. In dieser Arbeit haben wir alle drei Aufgaben-Kategorien (z. B. Bioink-Formulierung, Optimierung der Druckparameter und Förderung des gezielten Zellwachstums und der Überlebensfähigkeit) berücksichtigt, um den Erfolg des Bioprinting-Prozesses zu verstehen. In diesem Artikel haben wir ein klassifikationsbasiertes Machine-Learning-Modell entwickelt, um den Erfolg des extrusionsbasierten Bioprinting unter Verwendung von 72 experimentellen Datensätzen, die Prozessparameter, rheologische Eigenschaften, Filamenttreue und Zelllebensfähigkeit umfassen, vorherzusagen. Das Modell erreichte eine Genauigkeitsrate von 83 %, was sein Potenzial zeigt, Forschern zu helfen, optimale Druckbedingungen zu identifizieren und Experimentieren durch Versuch und Irrtum zu reduzieren. Durch die Bereitstellung einer datengestützten Bewertung der Bioprinting-Ergebnisse kann dieser Ansatz die Effizienz und Ressourcennutzung in der Bioprinting-Forschung und -Anwendung verbessern.