Cell viability prediction and optimization in extrusion-based bioprinting via neural network-based Bayesian optimization models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The fields of regenerative medicine and cancer modeling have witnessed tremendous growth in the application of 3D bioprinting. Maintaining high cell viability throughout the bioprinting process is crucial for the success of this technology, as it directly affects the accuracy of the 3D bioprinted models, the validity of experimental results, and the discovery of new therapeutic approaches. Therefore, optimizing bioprinting conditions, which include numerous variables influencing cell viability during and after the procedure, is of utmost importance to achieve desirable results. So far, these optimizations have been accomplished primarily through trial and error and repeating multiple time-consuming and costly experiments. To address this challenge, we initiated the process by creating a dataset of these parameters for gelatin and alginate-based bioinks and the corresponding cell viability by integrating data obtained in our laboratory and those derived from the literature. Then, we developed machine learning models to predict cell viability based on different bioprinting variables. The trained neural network yielded regressionR2value of 0.71 and classification accuracy of 0.86. Compared to models that have been developed so far, the performance of our models is superior and shows great prediction results. The study further introduces a novel optimization strategy that employs the Bayesian optimization model in combination with the developed regression neural network to determine the optimal combination of the selected bioprinting parameters to maximize cell viability and eliminate trial-and-error experiments. Finally, we experimentally validated the optimization model's performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle