Gli algoritmi di intelligenza artificiale possono migliorare la creazione di materiali bioscaffold e aiutare a guarire le ferite
L’intelligenza artificiale e l’apprendimento automatico potrebbero aiutare a guarire le lesioni aumentando la velocità di sviluppo dei bioscaffold stampati in 3D. I bioscaffold sono materiali che consentono agli oggetti organici, come la pelle e gli organi, di crescere su di essi. Un recente lavoro svolto dai ricercatori della Rice University ha applicato algoritmi di intelligenza artificiale allo sviluppo di materiali bioscaffold, con l’obiettivo di prevedere la qualità dei materiali stampati. I ricercatori hanno scoperto che il controllo della velocità di stampa è fondamentale per lo sviluppo di utili impianti bioscaffold.
Come riportato da ScienceDaily , un team di ricercatori della Rice University ha collaborato per utilizzare l’apprendimento automaticoidentificare possibili miglioramenti ai materiali del bioscaffold. L’informatica Lydia Kavraki, della Brown School of Engineering della Rice, guida un team di ricerca che ha applicato algoritmi di apprendimento automatico per prevedere la qualità del materiale dello scaffold. Lo studio è stato co-autore del bioingegnere della Rice Antonios Mikos, che lavora su bioscaffold simili a ossa che fungono da sostituti dei tessuti, destinati a sostenere la crescita di vasi sanguigni e cellule e consentire ai tessuti feriti di guarire più rapidamente. I bioscaffold su cui lavora Mikos hanno lo scopo di curare le ferite muscolo-scheletriche e cranio-facciali. I bioscaffold sono prodotti con l’ausilio di tecniche di stampa 3D che producono scaffold che si adattano al perimetro di una data ferita.
Il processo di stampa 3D del materiale bioscaffold richiede molte prove ed errori per ottenere il lotto stampato giusto. Devono essere presi in considerazione vari parametri come la composizione del materiale, la struttura e la spaziatura. L’applicazione di tecniche di apprendimento automatico può ridurre gran parte di questi tentativi ed errori, fornendo agli ingegneri linee guida utili che riducono la necessità di armeggiare con i parametri. Kavraki e altri ricercatori sono stati in grado di fornire al team di bioingegneria un feedback su quali parametri fossero più importanti, quelli che più probabilmente avrebbero avuto un impatto sulla qualità del materiale stampato.
Il team di ricerca ha iniziato analizzando i dati sugli scaffold di stampa da uno studio del 2016 sul polipropilene fumarato biodegradabile. Oltre a questi dati, i ricercatori hanno escogitato una serie di variabili che li avrebbero aiutati a progettare un classificatore di apprendimento automatico. Una volta raccolti tutti i dati necessari, i ricercatori sono stati in grado di progettare modelli, testarli e pubblicare i risultati in poco più di sei mesi.
In termini di modelli di apprendimento automatico utilizzati dal team di ricerca, il team ha sperimentato due diversi approcci. Entrambi gli approcci di apprendimento automatico erano basati su algoritmi di foresta casuale, che aggregano alberi decisionali per ottenere un modello più robusto e accurato. Uno dei modelli testati dal team era un metodo di classificazione binaria che prevedeva se un particolare insieme di parametri avrebbe prodotto un prodotto di bassa o alta qualità. Nel frattempo, il secondo metodo di classificazione utilizzava un metodo di regressione che stimava quali valori dei parametri avrebbero dato un risultato di alta qualità.
Secondo i risultati della ricerca, i parametri più importanti per i bioscaffold di alta qualità erano spaziatura, stratificazione, pressione, composizione del materiale e velocità di stampa. La velocità di stampa è stata la variabile più importante in generale, seguita dalla composizione del materiale. Si spera che i risultati dello studio porteranno a una stampa migliore e più veloce dei bioscaffold, migliorando così l’affidabilità delle parti del corpo stampate in 3D come cartilagine, rotule e mascelle.
Secondo Kavraki, i metodi utilizzati dal team di ricerca hanno il potenziale per essere utilizzati in altri laboratori. Come Kavraki è stato citato da ScienceDaily:
“A lungo termine, i laboratori dovrebbero essere in grado di capire quale dei loro materiali può fornire loro diversi tipi di scaffold stampati e, a lungo termine, anche prevedere i risultati per i materiali che non hanno provato. Non disponiamo di dati sufficienti per farlo in questo momento, ma a un certo punto pensiamo che dovremmo essere in grado di generare tali modelli “.
