I ricercatori della Rice University hanno utilizzato l’intelligenza artificiale (AI) per accelerare lo sviluppo di bioscaffold stampati in 3D che aiutano a guarire le lesioni. Un team guidato dall’informatica Lydia Kavraki della Brown School of Engineering della Rice University ha utilizzato due approcci di apprendimento automatico per prevedere la qualità dei materiali dell’impalcatura , dati i parametri di stampa. I risultati dello studio pubblicato sulla rivista Tissue Engineering Part A hanno rilevato che il controllo della velocità di stampa è fondamentale per realizzare impianti di alta qualità.
Grazie all’accurata elaborazione dei dati e alle capacità di previsione dell’IA, gli scienziati in biotecnologia si affidano ampiamente a strumenti e tecniche di intelligenza artificiale, come la macchina e l’apprendimento profondo, per risolvere problemi reali e migliorare le scoperte che aiuteranno la diagnosi e il trattamento delle malattie , la medicina personalizzata e altro ancora .
Secondo un rapporto di PricewaterhouseCoopers , l’IA potrebbe contribuire fino a 15,7 trilioni di dollari all’economia globale nel 2030, mentre un recente sondaggio tra esperti di farmaceutica e scienze della vita ha mostrato che il 44% utilizzava già l’IA nelle proprie attività di ricerca e sviluppo.
Un bioscaffold stampato in 3D di “alta qualità” progettato con l’aiuto di un algoritmo di apprendimento automatico sviluppato presso la Rice University. La barra della scala è uguale a 1 millimetro. (Immagine per gentile concessione del Mikos Research Group)
Antonios Mikos, bioingegnere della Rice University e coautore dello studio, ha sviluppato bioscaffold, in gran parte con il Center for Engineering Complex Tissues , per migliorare le tecniche per curare le ferite cranio-facciali e muscolo-scheletriche. Secondo la Rice University, i bioscaffold sono strutture simili a ossa che fungono da segnaposto per i tessuti danneggiati. Sono porosi per supportare la crescita di cellule e vasi sanguigni che si trasformano in nuovi tessuti e alla fine sostituiscono l’impianto.
Il lavoro di Mikos è progredito fino a includere una sofisticata stampa 3D in grado di adattare un impianto biocompatibile al sito di una ferita. Ora, con l’aiuto delle tecniche di apprendimento automatico, la progettazione di materiali e lo sviluppo di processi per creare impianti possono essere più veloci ed eliminare molte prove ed errori.
Il team ha esplorato due approcci di modellazione basati sull’apprendimento automatico. Uno era un metodo basato sulla classificazione diretta che prevedeva se un dato insieme di parametri avrebbe prodotto una stampa di scaffold di qualità “bassa” o “alta”. L’altro era un approccio basato sulla regressione che approssimava i valori di una metrica di qualità di stampa per arrivare a un risultato. I ricercatori hanno riferito che entrambi i modelli sono costruiti su una “classica tecnica di apprendimento supervisionato” chiamata foreste casuali che costruisce più “alberi decisionali” e li “unisce” insieme per ottenere una previsione più accurata e stabile.
Il team ha addestrato e valutato i modelli su un set di dati generato in uno studio precedente che ha studiato la fabbricazione di scaffold polimerici porosi mediante stampa 3D basata su estrusione con un design fattoriale completo. In definitiva, questa collaborazione potrebbe portare a modi migliori per stampare rapidamente una mascella, una rotula o un pezzo di cartilagine personalizzati su richiesta.
“Un aspetto estremamente importante è il potenziale per scoprire cose nuove. Questa linea di ricerca ci dà non solo la possibilità di ottimizzare un sistema per il quale abbiamo un numero di variabili – che è molto importante – ma anche la possibilità di scoprire qualcosa di totalmente nuovo e inaspettato. Secondo me, questa è la vera bellezza di questo lavoro “, ha detto Mikos, il professore Louis Calder di bioingegneria e ingegneria chimica e biomolecolare e professore di chimica e scienza dei materiali e nanoingegneria alla Rice University. “È un ottimo esempio di convergenza. Abbiamo molto da imparare dai progressi dell’informatica e dell’intelligenza artificiale e questo studio è un perfetto esempio di come ci aiuteranno a diventare più efficienti “.
Mikos e i suoi studenti avevano già preso in considerazione l’ idea di introdurre il machine learning nel mix, ma la pandemia COVID-19 del 2020 ha creato un’opportunità unica per portare avanti il progetto. Dall’inizio alla fine, la finestra COVID-19 ha consentito loro di raccogliere dati, sviluppare modelli e pubblicare i risultati entro sette mesi, il che è considerato un tempo record per un processo che spesso può richiedere anni, ha spiegato la Rice University. Sebbene gli studenti dovessero capire come comunicare tra loro a distanza, una volta fatto, sono avanzati molto rapidamente. Per Mikos, questo era un modo per fare grandi progressi in un momento in cui molti studenti e docenti non erano in grado di andare in laboratorio.
Kavraki ha detto che i ricercatori e coautori dell’articolo – le studentesse laureate Anja Conev ed Eleni Litsa nel suo laboratorio e la studentessa laureata Marissa Perez e la borsista post-dottorato Mani Diba nel laboratorio di Mikos – si sono prese del tempo all’inizio per stabilire un approccio a una massa di dati da uno studio del 2016 sulla stampa di scaffold con poli (propilene fumarato) biodegradabile (PPF), e poi per capire cosa fosse necessario di più per addestrare i modelli computerizzati. Lo studio ha identificato la velocità di stampa come la più importante delle cinque metriche misurate dal team, le altre in ordine decrescente di importanza erano la composizione del materiale, la pressione, la stratificazione e la spaziatura.
“Siamo stati in grado di fornire un feedback su quali parametri hanno maggiori probabilità di influenzare la qualità della stampa, quindi quando continuano la loro sperimentazione, possono concentrarsi su alcuni parametri e ignorare gli altri”, ha affermato Kavraki, una rinomata autorità di robotica e intelligenza artificiale e biomedicina e direttore del Ken Kennedy Institute di Rice . “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 “.
Kavraki ha anche osservato che l’intelligenza artificiale ha un ruolo da svolgere nei nuovi materiali, soprattutto perché ci sono così tanti problemi all’intersezione tra scienza dei materiali e informatica, e più persone possono lavorare su di essi, meglio è. Ha anche suggerito che il Welch Institute , di recente istituzione , presso la Rice University per migliorare la “reputazione già stellare dell’istituzione per la scienza dei materiali avanzata”, ha un grande potenziale per espandere le collaborazioni che incorporano la tecnologia AI nella ricerca bioingegneristica.
Un bioscaffold stampato in 3D di “alta qualità” progettato con l’aiuto di un algoritmo di apprendimento automatico sviluppato presso la Rice University. La barra della scala è uguale a 1 millimetro.