鄭州大學丨使用機器學習算法預測冷凍生物打印中冷凍保護劑的效果

來源：生物設計與制造

本研究論文聚焦于冷凍生物打印中冷凍保護劑的配方及其性能預測研究。利用機器學習算法，以細胞存活率為指標，預測不同配方的冷凍保護劑的性能。冷凍生物打印將擠出式生物打印與冷凍保存相結(jié)合，具有解決傳統(tǒng)生物打印缺乏貨架可用性問題的巨大潛力。為了保證細胞在冷凍狀態(tài)下的活性，同時避免二甲基亞砜(DMSO)可能產(chǎn)生的毒性，無DMSO的生物墨水設計是冷凍生物打印的關鍵。然而，開發(fā)通用和高效的生物墨水需要大量的實驗。本研究首先通過實驗比較了兩種常用的冷凍保護劑（CPA）配方。結(jié)果表明，乙二醇作為滲透性CPA的效果比甘油的保護性能好6.07%。隨后建立了兩個數(shù)據(jù)集和四個不同的機器學習模型來預測實驗結(jié)果。比較了多元線性回歸(MLR)、決策樹(DT)、隨機森林(RF)和人工神經(jīng)網(wǎng)絡(ANN)算法的預測能力，其順序為ANN>RF>DT>MLR。然后將所建立的ANN模型應用于另一個數(shù)據(jù)集。結(jié)果表明，使用機器學習算法可以準確預測由不同CPA組成的生物墨水的效果。此外，本研究提出的方法具有泛化性，有望加快用于冷凍生物打印的生物墨水的研究和發(fā)展。

點擊下載PDF原文：https://link.springer.com/article/10.1007/s42242-023-00244-4

圖1 使用機器學習算法預測冷凍保護劑效果的實驗原理圖

圖2 乙二醇和甘油組的細胞存活率的分布。每組包含48個樣品，每個樣品的乙二醇/甘油和糖的濃度都不同

圖3 使用多元線性回歸算法的預測結(jié)果。(a) 第1天預測和觀察到的細胞存活率；(b) 第7天預測和觀察到的細胞存活率；(c) 第15天預測和觀察到的細胞活力；(d) 各變量在MLR預測模型中的重要性

圖4 使用決策樹、隨機森林和人工神經(jīng)網(wǎng)絡模型的預測結(jié)果

圖5 機器學習模型的預測誤差分布。(a) 不同機器學習模型在數(shù)據(jù)集1的測試集上的平均絕對誤差分布；(b) 人工神經(jīng)網(wǎng)絡在數(shù)據(jù)集2的測試集上的平均絕對誤差分布

引用本文：
Qiao Q, Zhang X, Yan Z, et al., 2023. The use of machine learning to predict the effects of cryoprotective agents on the GelMA-based bioinks used in extrusion cryobioprinting. Bio-des Manuf (Early Access). https://doi.org/10.1007/s42242-023-00244-4