Bioprinting impulsionado por IA acelera a engenharia de tecidos

Pesquisadores da Rice University usaram inteligência artificial (IA) para acelerar o desenvolvimento de bioscaffolds impressos em 3D que ajudam na cura de lesões. Uma equipe liderada pela cientista da computação Lydia Kavraki da Brown School of Engineering da Rice University usou duas abordagens de aprendizado de máquina para prever a qualidade dos materiais de andaime, dados os parâmetros de impressão. Os resultados do estudo publicado na revista Tissue Engineering Part A descobriram que o controle da velocidade de impressão é fundamental para a fabricação de implantes de alta qualidade.

Graças aos recursos precisos de processamento e previsão de dados da IA, os cientistas da biotecnologia contam amplamente com as ferramentas e técnicas de IA – como máquina e aprendizado profundo – para resolver problemas reais e melhorar as descobertas que ajudarão no diagnóstico e tratamento de doenças , medicina personalizada e muito mais .

De acordo com um relatório da PricewaterhouseCoopers, a IA poderia contribuir com até US $ 15,7 trilhões para a economia global em 2030, enquanto uma pesquisa recente com especialistas em ciências biológicas e farmacêuticas mostrou que 44% já estavam usando IA em suas atividades de pesquisa e desenvolvimento.

Um bioscaffold impresso em 3D de “alta qualidade”, projetado com a ajuda de um algoritmo de aprendizado de máquina desenvolvido na Rice University. A barra de escala é igual a 1 milímetro. (Imagem cortesia do Grupo de Pesquisa Mikos)

O bioengenheiro e co-autor do estudo da Rice University, Antonios Mikos, tem desenvolvido bioscaffolds, principalmente com o Center for Engineering Complex Tissues, para melhorar as técnicas de cicatrização de feridas craniofaciais e músculo-esqueléticas. De acordo com a Rice University, os bioscaffolds são estruturas semelhantes a ossos que servem como substitutos para o tecido lesado. Eles são porosos para suportar o crescimento de células e vasos sanguíneos que se transformam em novo tecido e, por fim, substituem o implante.

O trabalho de Mikos progrediu para incluir impressão 3D sofisticada que pode fazer um implante biocompatível se encaixar no local de uma ferida. Agora, com a ajuda de técnicas de aprendizado de máquina, projetar materiais e desenvolver processos para criar implantes pode ser mais rápido e eliminar muitas tentativas e erros.

A equipe explorou duas abordagens de modelagem baseadas em aprendizado de máquina. Um era um método baseado em classificação direta que previa se um determinado conjunto de parâmetros produziria uma impressão de andaime de qualidade “baixa” ou “alta”. A outra era uma abordagem baseada em regressão que aproximava os valores de uma métrica de qualidade de impressão para chegar a um resultado. Os pesquisadores relataram que ambos os modelos são construídos sobre uma “técnica clássica de aprendizado supervisionado”, chamada de florestas aleatórias, que constrói várias “árvores de decisão” e as “mescla” para obter uma previsão mais precisa e estável.

A equipe treinou e avaliou os modelos em um conjunto de dados gerado em um estudo anterior que investigou a fabricação de andaimes de polímero poroso por meio de impressão 3D baseada em extrusão com um design fatorial completo. Em última análise, essa colaboração pode levar a melhores maneiras de imprimir rapidamente um maxilar, rótula ou pedaço de cartilagem personalizado sob demanda.

Um aspecto extremamente importante é o potencial para descobrir coisas novas. Esta linha de pesquisa nos dá não só a capacidade de otimizar um sistema para o qual temos uma série de variáveis ​​- o que é muito importante – mas também a possibilidade de descobrir algo totalmente novo e inesperado. Na minha opinião, essa é a verdadeira beleza deste trabalho.

disse Mikos, o professor Louis Calder de Bioengenharia e Engenharia Química e Biomolecular e professor de química e ciência dos materiais e nanoengenharia da Rice University. 

É um ótimo exemplo de convergência. Temos muito a aprender com os avanços na ciência da computação e inteligência artificial, e este estudo é um exemplo perfeito de como eles nos ajudarão a nos tornar mais eficientes.

Mikos e seus alunos já haviam considerado o aprendizado de máquina na mistura, mas a pandemia de COVID-19 de 2020 criou uma oportunidade única de prosseguir com o projeto. Do início ao fim, a janela do COVID-19 permitiu reunir dados, desenvolver modelos e publicar os resultados em sete meses, tempo considerado recorde para um processo que muitas vezes pode levar anos, explicou a Rice University. Embora os alunos tivessem que descobrir como se comunicar remotamente uns com os outros, uma vez que o fizeram, eles avançaram muito rapidamente. Para Mikos, essa foi uma maneira de fazer um grande progresso em um momento em que muitos alunos e professores não podiam ir para o laboratório.

Lydia Kavraki, cientista da computação do Rice, e Antonios Mikos, bioengenheiro do Rice. (Imagem cortesia da Brown School of Engineering da Rice University)

Kavraki disse que os pesquisadores e co-autores do artigo – os alunos de pós-graduação Anja Conev e Eleni Litsa em seu laboratório e a aluna de pós-graduação Marissa Perez e a pós-doutoranda Mani Diba no laboratório de Mikos – demoraram no início para estabelecer uma abordagem para uma massa de dados de um estudo de 2016 sobre a impressão de andaimes com poli (fumarato de propileno) (PPF) biodegradável e, em seguida, descobrir o que mais era necessário para treinar os modelos de computador. O estudo identificou a velocidade de impressão como a mais importante das cinco métricas que a equipe mediu; as outras em ordem decrescente de importância foram composição do material, pressão, camadas e espaçamento.

Fomos capazes de fornecer feedback sobre quais parâmetros têm mais probabilidade de afetar a qualidade de impressão, então, quando eles continuarem seus experimentos, eles podem se concentrar em alguns parâmetros e ignorar os outros

disse Kavraki, uma autoridade renomada em robótica e inteligência artificial e biomedicina e diretor do Instituto Ken Kennedy de Rice.

No longo prazo, os laboratórios devem ser capazes de entender quais de seus materiais podem fornecer diferentes tipos de andaimes impressos e, no longo prazo, até mesmo prever resultados para materiais que não experimentaram. Não temos dados suficientes para fazer isso agora, mas em algum momento, achamos que devemos ser capazes de gerar esses modelos.

Kavraki também observou que a IA tem um papel a desempenhar em novos materiais, especialmente porque existem tantos problemas na interseção da ciência dos materiais e da computação, e quanto mais pessoas puderem trabalhar neles, melhor. Ela também sugeriu que o recém-criado Welch Institute, na Rice University para aprimorar a “reputação já estelar da ciência de materiais avançados”, tem grande potencial para expandir as colaborações que incorporam a tecnologia de IA na pesquisa de bioengenharia.

Fonte: 3DPrint.com

2 comentários em “Bioprinting impulsionado por IA acelera a engenharia de tecidos

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

Comece a digitar sua pesquisa acima e pressione Enter para pesquisar. Pressione ESC para cancelar.

De volta ao topo