机器学习辅助高细胞密度生物打印硬度预测

      本研究论文聚焦机器学习辅助高细胞密度生物打印硬度预测。细胞负载水凝胶的生物打印是组织工程中一个迅速发展的领域。数字光处理(DLP)三维(3D)生物打印技术的出现革新了复杂三维结构的制造。通过调整光照, DLP生物打印技术可以调控结构的机械性能，这是调节细胞活动的关键因素。为了更好地模拟真实组织中的细胞密度，最近高分辨率的高细胞密度(HCD)打印取得了有效进展。然而，在HCD结构中调节硬度仍然具有挑战性。大量的细胞会通过吸收、反射和散射光影响基于光固化的DLP生物打印。在这里，我们引入一种基于神经网络的机器学习技术，用于预测细胞负载水凝胶支架的硬度。我们使用来自3D生物打印样本的全面机械测试数据训练机器学习模型以进行准确预测。考虑到使用珍贵高成本细胞类型的研究需求，我们采用多种方法确保模型的普适性，即便是在数据集有限的情况下。我们验证了一种迁移学习方法，能够在减少数据量的情况下，仍对珍贵细胞类型实现良好预测。我们所选择的方法优于许多其他机器学习技术，为细胞负载支架中的硬度预测提供了可靠和高效的解决方案。这一突破性进展为下一代精准生物打印和更高定制化的组织工程铺平了道路。