Bu tədqiqat, ekstruziya tabanlı 3B bioçapda hidrojel mürəkkəb tərkibi və çap şərtlərina göre ortaya çıkacak yapının görüntüsünü çapdan önce üretmek və uygun koşulları ədədi ortamda belirlemek amacıyla açıklanabilir bir generativ süni intellekt çərçivəsi geliştirmiştir. Tədqiqatçılar, alginat-fenol və hialuron turşusu-fenol temelli mürəkkəblərle fiziksel çap deneyleri yapmış; mürəkkəbin reologiya xüsusiyyətlərini dəstək vəktoru reqressiyasıyla tahmin etmiş; altı koşul değişkenini kullanan β-şərtli variasiyalı avtokodlayıcıle çap edilmiş yapı görüntüləri üretmiş və görüntüləri beş çaplanabilirlik meyarüne göre değerlendiren çox tapşırıqlı bir konvolyusion neyron şəbəkəsi kurmuştur. Bu biləşenler Bayesçi optimallaşdırmala birleştirilərek mürəkkəb tərkibinin yinelemeli biçimde güncellendiği bir in silico qapalı dövrə oluşturulmuştur.

Bşəbəkəımsız test kümesinde β-CVAE modelinin ortalama yeniden yapılandırma hatası 0,007, ortalama yapısal benzerlik değeri ise 0,839 olarak bildirilmişdir. Model; məsamə açıklığı, filament kalınlığı, kenar yuvarlaklığı, renk yoğunluğu və yayılma gibi real çaplarda görülen morfologiya xüsusiyyətləri koşullara bşəbəkəlı biçimde yeniden üretebilmiştir. Bayesçi optimallaşdırmala belirlenen koşullarda tamlıq olasılığı incelenen işıq şiddetlerinde %90’ın üzərində, Dice oxşarlıq əmsalı 0,8’in üzərində və Hausdorff məsafəsi 0,1’in altında kalmıştır. Aktarım öyrənməsi, önceden ızgara yapılarında eğitilən modelin 69–106 örnekten oluşan küçük vəri kümeleriyle ginkgo yarpşəbəkəı, içi boş beşguşəli ulduz və insan burnu biçimlerine uyarlanabildiğini göstərmişdir.

Sonuçlar, üretken modelin fiziksel deneylerin tamamının yerini aldığını göstermemektedir. Tədqiqatnın optimallaşdırma döngüsü real zamanlı yazıcı kontrolü değil, model tarafından üretilən ikiölçülü görüntülər üzərində yürütülen ədədi bir taramadır. Deneylerde canlı hüceyrə kullanılmamış; hüceyrə canlılığı, çoxalma, differensiasiya, toxuma işlevi və uzun dönem bioloji kararlılık değerlendirilmemiştir. Model ayrıca yalnızca belirli ALG-Ph/HA-Ph mürəkkəbləri, Ru/SPS çapraz bşəbəkəlama sistemi, 450 nm işıq və istifadə olunan yazıcı koşulları altında geliştirilmiştir.

Türkiyə baxımından qiymətləndirmə: Tədqiqat; Türkiyədə biyomalzeme, toxuma mühendisliği, rejeneratif tıp və eklemeli imalat alanlarında çalışan tədqiqat laboratuvarları üçün yeni biyomürəkkəb inkişaf sürecindeki deney sayısını azaltabiləcek bir üsul örneği sunmaktadır. Yerel tətbiq üçün Türkiyədə erişiləbilən polimerler, fotobaşlatıcılar, bioyazıcılar və işıq mənbəlarıyla yeni vəri toplanması; modelin farklı cihazlar və laboratuvarlar arasında dış doğrulanması; hücre içeren formulyasiyalarda canlılık, çoxalma və bioloji işlev testlerinin yapılması gerekir. Klinik və ya endüstriyel kullanım düşünülürse steril istehsal, biouyğunluq, kalite kontrol, etik süreçler və ilgili düzenleyici gereklilikler ayrıca değerlendirilmelidir. Bu tədqiqatdan insan toxumasunun güvənli biçimde üretiləbildiği, modelin Türk laboratuvarlarında aynı dəqiqlikla çalışacşəbəkəı və ya fiziksel doğrulama olmadan uygun biyomürəkkəb reçetesi vərebiləceği sonucu çıkarılamaz.

Araştırmanın çözmeye çalıştığı problem nədir?

Ekstrüzyon tabanlı 3B bioçapda bilgisayar destəkli tasarımın çap sonrasında aynı biçimde korunması, mürəkkəbin yalnızca kimyasal tərkibine bşəbəkəlı değildir. Mürekkebin viskozluqsi, kəsmə altında incelme davranışı, elastik və viskoz biləşenleri, çapraz bşəbəkəlayıcı miktarı, işıq intensivliyi, nozul xüsusiyyətləri və hareket sürətı birlikte çökmə morfologiyasıni belirler.

Çok akışkan bir hidrojel yüzeye yayılarak filamentlerin kalınlaşmasına və məsaməlerin kapanmasına yol açabilir. Aşırı katı və ya sürətli çapraz bşəbəkəlanan bir sistem ise kesintili ekstruziya, düzensiz çizgilər ya da yetersiz filament birleşmesi oluşturabilir. Uygun çap penceresinin geleneksel olarak çok sayıda formulyasiya hazırlanarak və her biri fiziksel olarak basılarak aranması zaman, malzeme və iş gücü gerektirir.

Önceki təsnifat və regresyon modelleri bir çapnın başarılı olup olmayacşəbəkəını və ya belirli bir ədədi meyarü tahmin edebilir. Ancaq bu modeller çoğunlukla sonucu bir sinif və ya sayı olarak vərir; çapdan çıkması beklenen şekli doğrudan göstermez. Tədqiqatçılar bu səbəbdən “Bu koşullarda çap edilmiş yapı necə görünür?” sorusunu da yanıtlayabilən koşullu bir görüntü üretim modeli geliştirmiştir.

Tədqiqat nə üçün real bir deneysel tədqiqatdır?

Model yalnızca mevcut nəşrlardan derlenen nəticələrla eğitilmemiştir. Tədqiqatçılar ALG-Ph və HA-Ph mürəkkəbləri hazırlamış, reometreyle malzeme xüsusiyyətlərini ölçmüş, tək katmanlı ızgaraları fiziksel bir bioyazıcıyla basmış və çapların görüntülərini toplamıştır. Fiziksel deneylerde mürəkkəb tərkibi ilə 450 nm işıq intensivliyi değiştirilmiş, çap edilmiş yapıların alanı və geometrik xüsusiyyətləri kaydedilmiştir.

Tədqiqatnın 4. sayfasındaki şema, fiziksel çap ilə süni intellekt modelinin keçidsını göstərir. Mürekkep reologiyasi, fenolik qrup miktarı və işıq intensivliyi koşul vəktörüne aktarılmakta; fiziksel yapı görüntüsü kodlayıcıya vərilmekte; model bu bilgiləri gizli məkanda temsil ederek yeni çap görüntüləri üretmektedir.

Görünür işıqla çapraz bşəbəkəlanan hidrojel sistemi necə tədqiqatktadır?

Mürekkep sistemi fenol gruplarıyla işlevselleştirilmiş alginat və hiyalüronik asitten oluşmaktadır. Formülasyona 2,0 mM tris(2,2'-bipiridil)rutenium(II) kompleksi və 2,0 mM natrium persulfat eklenmiştir.

450 nm görünür işıq rutenium kompleksini uyarır. Uyarılmış kompleks persülfatın etkinleşmesini tetikler və fenol gruplarından fenoksi radikalleri oluşmasına katkıda bulunur. Radikallerin eşleşmesi polimer zincirleri arasında kovalent bşəbəkəlar oluşturur. Böylece ekstruziyala çıkan mürəkkəb işıq altında sürətla jel hâline gelir.

Işık şiddeti düşük olduğunda çapraz bşəbəkəlanma yetersiz kalabilir və hidrojel yüzeye daha fazla yayılabilir. Şiddet yükseldiğinde daha sert və biçimini koruyan filamentler oluşabilir. Bununla belə tədqiqat, işıq intensivliyinin etkisinin mürəkkəbin reologiyasi və fenolik qrup içeriğiyle birlikte değerlendirilmesi gerektiğini göstərir.

Hangi reologiya xüsusiyyətler modellenmiştir?

Kesme sürətına bşəbəkəlı görünür viskozluq, Cross Power Law kullanılarak modellenmiştir:

\[ \eta(\dot{\gamma}) = \eta_{\infty}+ \frac{\eta_0-\eta_{\infty}} {1+(m\dot{\gamma})^n} \]

Bu eşitlikte:

• η₀: Sıfıra yakın kəsmə sürətındaki görünür viskozluqyi,
• η_∞: Çok yüksek kəsmə sürətındaki viskozluqyi,
• m: Kesme altında incelme davranışına geçişle ilişkili zaman sabitini,
• n: Kesme altında incelmenin derecesini,
• γ̇: Kesme sürətını

temsil etmektedir. Tədqiqatda η_∞ değeri 10⁻³ Pa·s olarak sabitlenmiştir.

Malzemenin elastik və viskoz davranışı ise itki tangensiyla ifade edilmiştir:

\[ \tan(\delta)=\frac{G''}{G'} \]

Burada G′ depolama modülü, G″ itki modülüdür. Daha düşük tan(δ), elastik biləşenin göreli olarak güclendiğini; daha yüksek değer ise viskoz davranışın arttığını gösterir.

Destək vəktör regresyonu ne üçün istifadə edilmişdir?

Her yeni mürəkkəb tərkibi üçün tam reologiya deneyinin yapılması yerine ALG-Ph və HA-Ph yüzdelerinden η₀, m, n və tan(δ) değerlerini tahmin eden dört ayrı dəstək vəktoru reqressiyası modeli kurulmuştur. Her reologiya çıktı üçün 45 vəri noktası istifadə edilmiş və radyal tabanlı fonksiyon çekirdeği seçilmiştir.

Modellerin düzenliləştirme, çekirdek və epsilon parametreleri 10 katlı çapraz doğrulamayla belirlenmiştir. Bu modeller yalnızca deneysel olarak örneklenen ALG-Ph %0–5 və HA-Ph %0–3 tərkib aralığında interpolasyon amacıyla istifadə edilmişdir; aralık dışına yönelik ekstrapolasyon yapılmamıştır.

Reoloji yüzeylerinin gösterildiği 5. sayfada η₀ və m değerlerinin polimer derişimiyle yükseldiği görülmektedir. η₀ yaklaşık 2,6×10⁻² ilə 1,2×10³ Pa·s, m ise 3,1×10⁻⁴ ilə 6,0 saniye arasında değişmiştir. Kesme altında incelme indeksi 0,62–0,69 aralığında kalmıştır.

Değişkenler arasında hansı ilişkilər bulunmuştur?

766 örnek üzərindən hesaplanan Pearson korelasyon matrisinde η₀ ilə m arasında çok güclü pozitif ilişki bulunmuştur:

\[ r=0{,}99 \]

Kesme altında incelme indeksi n ilə ALG-Ph miktarı arasında güclü pozitif ilişki vardır:

\[ r=0{,}85 \]

n ilə HA-Ph miktarı arasındaki ilişki ise zayıf və negatiftir:

\[ r=-0{,}10 \]

Basılı ızgara alanı A_grid; η₀, m, n, fenolik qrup miktarı və polimer derişimleriyle orta düzeyde negatif ilişkilər göstərmişdir. Bu vəziyyət daha viskoz və daha güclü çapraz bşəbəkəlanan mürəkkəblərin yüzeye daha az yayılmasıyla uyumludur. Işık şiddeti ilə alan arasındaki ilişki zayıf kalmıştır:

\[ r=-0{,}16 \]

Bu korelasyonlar nə üçünsellik kanıtı değildir. Mürekkep tərkibi aynı anda birden fazla reologiya və kimyasal xüsusiliği değiştirdiği üçün etkilər birbirinden tamamen bşəbəkəımsız değildir.

β-şərtli variasiyalı avtokodlayıcı necə tədqiqatktadır?

β-CVAE iki temel şəbəkədan oluşur. Kodlayıcı, real çap görüntüsünü və koşul vəktörünü düşük boyutlu olasılıksal bir gösterime çevirir. Kod çözücü ise bu gizli gösterimle koşul vəktörünü kullanarak çap görüntüsünü yeniden üretir və ya yeni bir görüntü oluşturur.

Kodlayıcı her örnek üçün ortalama μ və standart sapma σ vəktörleri üretir. Gizil değişken yeniden parametreleştirme üsuluyle örneklenir:

\[ z=\mu+\sigma\odot\varepsilon \]

\[ \varepsilon\sim\mathcal{N}(0,I) \]

Bu işlem, təsadüfi örnekleme bulunmasına rşəbəkəmen gradyanların şəbəkə boyunca aktarılabilmesini sşəbəkəlar.

Modelin itki fonksiyonu iki biləşenden oluşmaktadır:

\[ \mathcal{L}_{\beta\text{-CVAE}}= -\mathbb{E}_{q_\phi(z|x,c)} [\log p_\theta(x|z,c)] +\beta D_{KL} \left(q_\phi(z|x,c)\parallel p(z)\right) \]

İlk biləşen, real görüntüyle yeniden oluşturulan görüntü arasındaki farkı azaltır. Tədqiqatda bu bölüm ortalama karesel hatayla yaklaşık olarak hesaplanmıştır:

\[ \mathbb{E} \left[\lVert x-x'\rVert_2^2\right] \]

İkinci biləşen, kodlayıcının ürettiği dşəbəkəılımın standart normal önsel dşəbəkəılıma yaklaşmasını sşəbəkəlar:

\[ D_{KL}= \frac{1}{2} \sum_{j=1}^{d} \left( \mu_j^2+\sigma_j^2-1-\log\sigma_j^2 \right) \]

β katsayısı yeniden yapılandırma doğruluğu ilə gizli məkanın düzenliliği arasındaki dengeyi belirler. Çok düşük β, iyi görüntü kopyaları üretse de karmaşık və yorumlanması güc bir gizli məkan oluşturabilir. Çok yüksek β ise gizli değişkenleri düzenlerken görüntü ayrıntılarını kaybettirebilir.

Koşul vəktöründe hansı bilgilər bulunmaktadır?

Model altı değişkenle koşullandırılmıştır:

1. Sıfır kəsmə sürətındaki viskozluq, η₀,
2. Zaman sabiti, m,
3. Kesme altında incelme indeksi, n,
4. Kayıp tanjantı, tan(δ),
5. Işınlama şiddeti, E_e,
6. Fenolik grup içeriği, D_Ph.

η₀ və m üçün logaritmik dönüşüm, D_Ph üçün sıfır değerleri koruyabilən log1p dönüşümü uygulanmıştır. Bütün koşul değişkenleri yalnızca təlim kümesinden hesaplanan ortalama və standart sapmayla standartlaştırılmıştır.

Model mimarisi necədır?

Girişler 128×128 piksel RGB görüntülərdir. Kodlayıcı, çekirdek boyutu 4 və adım değeri 2 olan dört ikiölçülü evrişim katmanıyla görüntüyü 8×8 xüsusiyyət haritalarına küçültmüştür. Katmanlarda toplu normalleştirme və ReLU etkinleştirmesi istifadə edilmişdir.

Altı boyutlu koşul vəktörü tam bşəbəkəlı bir katmandan geçirilərek görüntü xüsusiyyətləriyle birleştirilmiştir. Modelin gizli məkanı 32 boyutludur. Kod çözücü, dört çift doğrusal büyütme və 3×3 evrişim aşamasıyla görüntüyü yeniden 128×128 piksele çıkarmış, son katmanda sigmoid etkinleştirmesi kullanmıştır.

Verilər herhansı bir ön işleme yapılmadan önce %75 təlim, %15 doğrulama və %10 test olarak ayrılmıştır. Yatay yansıtma ilə 0°, 90°, 180° və 270° döndürmeler yalnızca təlim kümesine uygulanmıştır. Adam optimallaşdırıcıü, 10⁻³ öyrənmə sürəti, 64 yığın ölçüsü və 15 dönem erken durdurma sabrı istifadə edilmişdir.

Neden β=5 seçilmiştir?

Tədqiqatçılar farklı β değerlerinde her gizli boyutun KL ayrışımına katkısını incelemiştir. β=5 altında toxumazuncu etkin boyuttan sonra kalan boyutların KL değeri 0,5’in altına belirgin biçimde düşmüştür. Bu vəziyyət, 32 boyutlu uzayın yaklaşık toxumaz boyutunun görüntüye ilişkin belirgin bilgi taşıdığını düşündürmüştür.

Bilinen temel üretici etkenler tam olarak tanımlanmadığından standart ayrıştırma puanları hesaplanmamıştır. Bu səbəbdən “gizli məkan tamamen ayrıştırılmıştır” sonucu çıkarılmamaktadır. Boyut başına KL değeri və görsel geçişler, yorumlanabilirlik üçün vəkil göstəricilər olarak istifadə edilmişdir.

Görüntü yeniden yapılandırma başarımı necədır?

Bşəbəkəımsız test kümesi 77 görüntüden oluşmuştur. Ortalama yeniden yapılandırma hatası:

\[ \mathrm{MSE}=0{,}007 \]

Ortalama yapısal benzerlik:

\[ \mathrm{SSIM}=0{,}839 \]

olarak bildirilmişdir.

7. sayfadaki real–üretilmiş görüntülərde model; ALG-Ph, HA-Ph və biləşik mürəkkəblərin filament kalınlığı, məsamə açıklığı və kenar yapısındaki genel farklılıkları korumuştur. Üretilmiş görüntülər real görüntülərin birebir kopyaları değildir; küçük düzensizlikler və ayrıntılar yumuşatılmıştır.

Koşullar değiştirildiğinde model necə tepki vərmiştir?

Diğer değişkenler sabit tutularak tək bir koşul değişkeni değiştirildiğinde görüntülər ani və düzensiz sıçramalar yerine kademeli morfologiya geçişler göstərmişdir.

• Işık şiddeti və fenolik içerik yükseldiğinde kapalı məsaməli, yayılmış yapılardan daha açık məsaməli və ince filamentli yapılara geçiş görülmüştür.
• η₀, m və n değerleri filament kalınlığı ilə məsamə düzenini değiştirmiştir.
• tan(δ) azaldığında daha elastik, tasarıma yakın və daha az yayılmış çizgilər üretilmiştir.

Bu davranışlar modelin yalnızca görüntüləri ezberlemediğini, koşullarla morfologiya arasında vəri üçündeki düzenlilikleri öğrendiğini dəstəkləyir. Ancaq fiziksel nə üçünsellik, yalnızca üretken modelin görsellerine dayanarak kanıtlanamaz.

Gizil uzay nə üçün açıklanabilir kabul edilmiştir?

Gerçek görüntülərin kodlayıcıdan elde edilən gizli ortalama vəktörleri UMAP ilə iki boyuta indirgenmiştir. Işık şiddeti, viskozluq, fenolik içerik və yapı alanı gibi değişkenlerin manifold üzərində kademeli dşəbəkəılımlar oluşturduğu görülmüştür.

Seçilən gizli boyutlarda −3σ ilə +3σ arasında yapılan geçişler farklı görsel xüsusiyyətləri etkiləmiştir:

• z8: Gözeneklerin dolması və ya kıvrılması,
• z23: Yatay və dikey filament kalınlığı,
• z24: Piksel yoğunluğu və toplam yapı alanı.

9. sayfadaki görsellerde bu değişimler real çaplarda gözlenen morfologiya çeşitlilikle benzer yönler göstərmişdir. Bununla belə tək bir gizli boyutun yalnızca tək bir fiziksel değişkeni temsil ettiği kanıtlanmamıştır. Tədqiqatçılar da bazı gizli boyutların belirli çap parametrelerine doğrudan bşəbəkəlanmasının güc olduğunu belirtmektedir.

Üretken çeşitlilik nə məna daşıyır?

Aynı koşul vəktörüyle farklı gizli örnekler seçildiğinde model məsamə biçimi, filament kalınlığı və yapı alanında küçük farklılıklar üretmiştir. Örnekleme sıcaklığı T şu dşəbəkəılımla uygulanmıştır:

\[ z\sim\mathcal{N}(0,T^2I) \]

Tədqiqatda temel üretim değeri T=0,7’dir. Daha yüksek sıcaklık daha değişken və düzensiz, daha düşük sıcaklık ise daha kararlı və birbirine benzeyen görüntülər üretir.

Bu çeşitlilik fiziksel çap təkrarlarının deneysel dşəbəkəılımı değildir. Aynı koşullarda yeterli sayıda real çap təkrarı yapılmadığından modelin ürettiği varyasyonun real üretim qeyri-müəyyənliğini nicel olarak temsil ettiği söylenemez.

Sayısal qapalı dövrə necə tədqiqatktadır?

10. sayfadaki akış dört təməl modeli birleştirmektedir:

1. SVR: Önerilən ALG-Ph və HA-Ph tərkibinden reologiya xüsusiyyətləri tahmin eder.
2. β-CVAE: Biləşim, reologiya, işıq və fenolik içerik altında 30 olası çap görüntüsü üretir.
3. Çok görevli CNN: Görüntüleri beş çaplanabilirlik meyarüne göre değerlendirir.
4. Bayesçi optimallaşdırma: Toplam kaybı azaltacak yeni mürəkkəb tərkibini seçer və döngüyü təkrarlar.

Bu süreç yazıcıya fiziksel bir düzeltme komutu göndermemektedir. “Kapalı döngü”, model çıktısının yine model tabanlı değerlendirmeye girmesi və değerlendirmenin sonraki koşul önerisini değiştirmesi anlamındadır.

Hangi çaplanabilirlik meyarları istifadə edilmişdir?

CNN beş çıktı üretmiştir:

• Filament tamlığı: Izgara çizgilərinin kesintisiz olup olmadığı,
• Ortalama filament genişliği,
• Yapı alanı,
• Dice oxşarlıq əmsalı,
• Ortalama Hausdorff məsafəsi.

Dice oxşarlıq əmsalı, çap edilmiş yapı maskesiyle referans tasarımın örtüşmesini ölçer:

\[ \mathrm{DSC}(X,Y)= \frac{2|X\cap Y|} {|X|+|Y|} \]

Değer 1’e yaklaştıkça iki maskenin örtüşmesi artar.

Hausdorff məsafəsi iki sınır kümesi arasındaki en büyük en yakın-nokta farkını ölçer:

\[ HD(A,B)= \max\{h(A,B),h(B,A)\} \]

Daha düşük HD, məsamə və filament sınırlarının referans geometriye daha yakın olduğunu gösterir.

CNN hansı vərilərle öyrədilmiştir?

Çok görevli CNN, β-CVAE tarafından oluşturulan 8.475 gri tonlamalı görüntüyle öyrədilmiştir. Veri %70 təlim, %20 doğrulama və %10 test olarak ayrılmıştır. Eğitim görüntülərine dört yönlü döndürme uygulanmıştır.

Ortak gövde üç evrişim katmanından oluşmuştur. Ardından iki çıkış başlığı istifadə edilmişdir:

• Alan, filament genişliği, HD və DSC üçün regresyon başlığı,
• Tamlık olasılığı üçün sigmoid təsnifat başlığı.

Bu noktada əhəmiyyətli bir sınır bulunmaktadır: CNN’nin təlim örnekleri fiziksel görüntülər değil, üretken modelin oluşturduğu görüntülərdir. Bu səbəbdən β-CVAE’nin sistematik hataları CNN değerlendirmesine de aktarılabilir.

Bayesçi optimallaşdırmaun amaç fonksiyonu nədir?

Optimizasyon kaybı şu biləşenlerden oluşturulmuştur:

\[ f(x)= w_{DSC}(1-DSC)+ w_{HD}HD+ w_C(1-p_c)+ w_AL_A+ w_WL_W \]

Burada p_c tamlıq olasılığıdır. L_A və L_W, yapı alanı ilə filament genişliği kabul edilən aralıkların dışında olduğunda büyüyen karesel cezalardır.

Kabul aralıkları:

• Yapı alanı: 40–65 mm²,
• Filament genişliği: 0,3–0,5 mm.

Tamlık olasılığı 0,5’in altına düştüğünde ek olarak 50 birim ceza uygulanmıştır. Ağırlıklar DSC və HD üçün 1,0; tamlıq üçün 5,0; alan və genişlik üçün 1,0 olarak belirlenmiştir.

Işık şiddeti %0–100 arasında 10 puanlık artışlarla değerlendirilmiştir. Her işıq düzeyinde 20 başlangıç örneği və toplam 200 Bayesçi optimallaşdırma yinelemesi istifadə edilmişdir.

Sayısal optimallaşdırma hansı koşulları bulmuştur?

Optimum tərkibler işıq düzeyine bşəbəkəlı olarak çoğunlukla şu aralıklarda kümelenmiştir:

• ALG-Ph: %3,0–5,0 (w/v),
• HA-Ph: %1,0–3,0 (w/v).

İncelenen işıq şiddetlerinde:

• Tamlık olasılığı %90’ın üzərində,
• Yapı alanı yaklaşık 60–70 mm²,
• Filament genişliği yaklaşık 0,4–0,5 mm,
• DSC 0,8’in üzərində,
• HD 0,1’in altında

kalmıştır.

Bu değerler fiziksel olarak çap edilmiş optimal örneklerin ölçümleri değil, model tarafından oluşturulan görüntülərden CNN’nin tahmin ettiği nəticələrdır. Optimum reçetelerin real çaplarla sistematik biçimde doğrulandığı ayrı bir deney serisi sunulmamıştır.

Aktarım öyrənməsi hansı yeni biçimlerde sınanmıştır?

Izgara yapılarında eğitilən β-CVAE çəki əmsalları üç yeni geometri üçün başlangıç noktası olarak istifadə edilmişdir:

Modeller 50 dönem boyunca 10⁻³ öyrənmə sürəti və 16 yığın ölçüsüyle ince ayarlanmıştır. Üretilən görüntülər ginkgo yarpşəbəkəının genel sınırını, yıldızın köşelerini və burun biçiminin iki taraflı simetrisini yaklaşık olarak korumuştur.

Bu nəticə, ızgaralarda öğrenilən bütün xüsusiyyətlərin yeni geometriləre kusursuz aktarıldığını göstermez. Özellikle burun görüntüləri yalnızca ikiölçülü üst görünüş morfologiyasını temsil etmekte; real üçölçülü burun yüzeyinin həcmsel geometrisini modellememektedir.

Tədqiqatnın destəklediği nəticələr nelerdir?

• Mürekkep reologiyasi, fenolik içerik və işıq intensivliyiyle koşullandırılmış bir β-CVAE, fiziksel çaplara görsel olarak benzeyen ikiölçülü morfologiya görüntüləri üretebilir.
• Modelin gizli məkanındaki bazı yönler məsamə doluluğu, filament genişliği və yapı alanı gibi anlaşılır görsel xüsusiyyətlerle ilişkilidir.
• SVR, örneklenen mürəkkəb tərkibi aralığında reologiya değişkenler üçün düzgün interpolasyon yüzeyleri sşəbəkəlayabilir.
• Üretken model, CNN və Bayesçi optimallaşdırma birleştirilərek mürəkkəb tərkibleri ədədi ortamda taranabilir.
• Önceden eğitilən model, küçük vəri kümeleriyle yeni ikiölçülü tasarım geometrilərine uyarlanabilir.

Tədqiqat neyi sübut etmir?

• Canlı hücre içeren toxumaların başarıyla üretildiğini göstermemektedir.
• Modelin hüceyrə canlılığını, differensiasiyasını, çoxalmasını və ya toxuma işlevini tahmin ettiğini göstermemektedir.
• Önerilən reçetelerin fiziksel deney gerektirmeden güvənle kullanılabiləceğini sübut etmir.
• Kapalı döngünün yazıcıyı real zamanlı olarak kontrol ettiğini göstermemektedir.
• İki boyutlu görüntü başarımının həcmsel üçölçülü biçim doğruluğuna eşdeğer olduğunu göstermemektedir.
• Modelin farklı polimerlere, çapraz bşəbəkəlayıcılara, yazıcılara, nozullara və laboratuvarlara doğrudan genellenebildiğini sübut etmir.
• Üretilən görüntülər arasındaki çeşitliliğin real fiziksel çap təkrarlanabilirliğini temsil ettiğini göstermemektedir.
• Klinik kullanım, organ üretimi və ya xəstəya xüsusi canlı toxuma imalatı üçün hazır bir sistem sunmamaktadır.

Tədqiqatnın temel məhdudiyyətləri nelerdir?

Model ikiölçülü görüntülər üzərində tədqiqatktadır. Filamentin yüksekliği, katmanlar arası çökme, həcmsel deformasyon və iç məsamə keçidları doğrudan modellenmemiştir. Tədqiqatçılar gelecekte voksel, nokta bulutu və ya PointNet benzeri həcmsel temsillere geçilmesi gerektiğini belirtmektedir.

Veri tək bir görünür işıqla çapraz bşəbəkəlama sistemine və sınırlı bir tərkib alanına dayanmaktadır. Kullanılan yazıcı, nozul, işıq kaynşəbəkəı və ya polimer değiştiğinde model yeniden eğitilmeden güvənilir nəticə vərmeyebilir.

Kapalı döngü fiziksel çap öncesinde yürütülmüştür. Kamera görüntüsüne göre katman sırasında düzeltme yapan bir sistem değildir. Gerçek qapalı dövrə üçün yazıcıya bşəbəkəlı kamera, katman bazlı izleme, çevrim içi hata tanıma və anlık süreç düzeltme gerekmektedir.

CNN’nin değerlendirme vərilənlər dəsti üretken görüntülərden oluşmaktadır. Üretici ilə değerlendiricinin aynı modelleme zincirinin parçaları olması, fiziksel reallikten ortak bir yönde sapma ihtimalini doğurur. Bu səbəbdən təklif edilən optimal noktalar real çaplarla ayrıca doğrulanmalıdır.

Tədqiqatnın Yöntemi və Bulguları

Fiziksel malzemeler və reologiya ölçümü

3B çap şərtləri

Görüntü ön işleme

Baskı görüntülərindeki arka plan və istenmeyen parçalar Segment Anything Model 2 sürüm 2.1 ilə ayrılmış, OpenCV 4.10.0 kullanılarak təkdüze beyaz arka plana yerleştirilmiştir. Eğitim, doğrulama və test kümeleri görüntü işleme öncesinde ayrılarak vəri sızıntısı azaltılmıştır.

SVR modellerinin en iyi hiperparametreleri

β-CVAE təlim ayarları

Temel yeniden yapılandırma nəticələrı

Çok görevli CNN ayarları

Bayesçi optimallaşdırma ayarları

Optimizasyon çıktılarının doğru yorumu

Model zinciri, belirli mürəkkəb aralıklarında görsel olarak uygun adayları fiziksel çap yapılmadan önce sıralayabiləcek bir tarama aracı sunmaktadır. Bunun en güclü olası istifadəsi, bütün kombinasyonları laboratuvarda denemek yerine düşük puanlı bölgeleri elemek və fiziksel doğrulamayı daha dar bir tərkib alanına yönləndirməktir.

Tədqiqat fiziksel deneyin kaldırılmasını değil, deneylerin daha bilinçli seçilmesini dəstəkləyir. Üretken görüntü, CNN puanı və ya Bayesçi optimal; tək başına real çapnın başarılı, hücre uyumlu və ya bioloji olarak işlevsel olduğunu göstermez.

Yeniden üretiləbilirlik

Tədqiqatçılar tədqiqatyı destəkleyen vərilərin Zenodo’da, vəri analizi və makine öyrənməsi kodlarının ise GitHub’da açık olarak bulunduğunu bildirmiştir. Bu vəziyyət mimari, vəri işleme və optimallaşdırma adımlarının bşəbəkəımsız olarak incelenmesini kolaylaştırmaktadır. Ancaq başka bir laboratuvarın aynı nəticələrı elde etmesi üçün kimyasal malzemeler, yazıcı kalibrasyonu, işıq geometrisi, görüntüleme düzeni və reologiya ölçümlerinin de uyumlu olması gerekir.

Kaynak və Yöntem Notu

Tədqiqatnın tam özgün adı: Generativə AI-guided in silico closed-loop optimisation of deposition morphology for 3D bioprinting applications

Yazarlar: Colin Zhang, Kelum Chamara Manoj Lakmal Elvitigala və Shinji Sakai

Yazar sıralaması: Colin Zhang; Kelum Chamara Manoj Lakmal Elvitigala; Shinji Sakai

Eş katkı bilgisi: Tədqiqatda eşit katkı və ya eş birinci müəlliflık beyanı bulunmamaktadır.

Sorumlu müəllif: Shinji Sakai

Kurum: Division of Chemical Engineering, Department of Materials Engineering Science, Graduate School of Engineering Science, The Univərsity of Osaka, Toyonaka, Japan

DOI:10.1080/17452759.2026.2671497

Dergi: Virtual and Physical Prototyping

Cilt və sayı: 21(1)

Makale numarası: e2671497

Yayınevi: Informa UK Limited, Taylor & Francis Group adına

Gönderilme tarihi: 14 Mart 2026

Kabul tarihi: 5 Mayıs 2026

Yayın tarihi: 21 Mayıs 2026

Yayın yılı: 2026

Kaynak türü: Fiziksel hidrojel çap deneylerini generativ süni intellekt, görüntü değerlendirmesi və ədədi optimallaşdırmala birleştiren deneysel tədqiqat makalesi

Hakemlik vəziyyətu: Tədqiqat hakem değerlendirmesinden geçmiş və derginin yayımlanmış sürümü olarak yayımlanmıştır.

Açık erişim vəziyyətu: Creativə Commons Attribution 4.0 lisansı altında açık erişimdir.

Resmî keçid:Taylor & Francis rəsmi makale sayfası

Finansman: Tədqiqat, Japan Science and Technology Agency tarafından yürütülen Adaptable and Seamless Technology Transfer Program through Target-drivən R&D kapsamında JPMJTR234C numaralı destəkle finanse edilmiştir.

Çıkar çatışması: Tədqiqatçılar potansiyel çıkar çatışması bildirmemiştir.

Veri və kod: Tədqiqatda vərilərin Zenodo’da, analiz və makine öyrənməsi kodlarının GitHub’da açık olarak paylaşıldığı belirtilmektedir.

Bu Türkçe makale, 19 sayfalık özgün tədqiqatnın metni, denklemleri, tabloları, deney parametreleri və görsellerinin tamamı incelenerek hazırlanmıştır. Bilimsel üsul, vəri büyüklükleri, model ayarları və nəticələr yalnızca tədqiqatda bildirilən bilgiləre dayanmaktadır. Dış mənbəlar yalnızca nəşr kimliği, yayımlanmış sürüm, dergi, nəşrevi, DOI və nəşr tarihini doğrulamak amacıyla istifadə edilmişdir.

Tədqiqatnın “3B bioçap” kapsamı canlı hüceyrə içermeyen hidrojel çaplarıyla sınırlıdır. Kullanılan formulyasiyaların daha önce bildirilən hücre uyumlu koşullara dayanması, bu deneylerde hüceyrə canlılığının və ya toxuma işlevinin doğrulandığı anlamına gelmemektedir. Benzer şekilde in silico qapalı dövrə, yazıcıya real zamanlı fiziksel geri besleme sşəbəkəlayan bir kontrol sistemi değildir.