Бул изилдөө, экструзия tabanlı 3B биобасууда гидрогель сыя курамы жана басуу шарттарыna göre ortaya çıkacak yapının сүрөтsünü басууdan önce üretmek жана uygun koşulları сандык ortamda belirlemek amacıyla açıklanabilir bir генеративдик жасалма интеллект алкакsi geliştirmiştir. Изилдөөчүлөр, альгинат-фенол жана гиалурон кислотасы-фенол temelli сыяларle fiziksel басуу deneyleri yapmış; сыянын реологиялык белгилериni таяныч вектор регрессиясыyla tahmin etmiş; altı koşul değişkenini kullanan β-шарттуу вариациялык автоэнкодерle басылган yapı сүрөттөрi üretmiş жана сүрөттөрi beş басууlanabilirlik критерийüne göre değerlendiren көп тапшырмалуу bir конволюциялык нейрон тармагы kurmuştur. Bu bмененşenler Байесчил оптималдаштырууla birleştirмененrek сыя курамыnin yinelemeli biçimde güncellendiği bir in silico жабык цикл oluşturulmuştur.

Bтармакımsız тест kümesinde β-CVAE modelinin ortalama yeniden yapılandırma hatası 0,007, ortalama yapısal benzerlik değeri ise 0,839 olarak билдирилген. Model; көңдөйчө açıklığı, филамент kalınlığı, kenar yuvarlaklığı, renk yoğunluğu жана yayılma gibi чыныгы басууlarda görülen морфологиялык белгилери koşullara bтармакlı biçimde yeniden üretebilmiştir. Байесчил оптималдаштырууla belirlenen koşullarda толуктук olasılığı incelenen жарык şiddetlerinde %90’ın үстүндө, Dice окшоштук коэффициенти 0,8’in үстүндө жана Hausdorff аралыгы 0,1’in шартында kalmıştır. Aktarım үйрөнүүsi, önceden ızgara yapılarında eğitмененn modelin 69–106 örnekten oluşan küçük маалымат kümeleriyle гинкго жалбырагы, ичи бош беш бурчтуу жылдыз жана адам мурду biçimlerine uyarlanabildiğini көрсөткөн.

Sonuçlar, üretken modelin fiziksel deneylerin tamamının yerini aldığını göstermemektedir. Изилдөөnın оптималдаштыруу döngüsü чыныгы zamanlı yazıcı kontrolü değil, model tarafından üretмененn эки өлчөмдүү сүрөттөр үстүндө yürütülen сандык bir taramadır. Deneylerde тирүү клетка kullanılmamış; клетка жашоого жөндөмдүүлүгү, көбөйүү, дифференциация, ткань işlevi жана uzun dönem биологиялык kararlılık değerlendirilmemiştir. Model ayrıca yalnızca belirli ALG-Ph/HA-Ph сыяларi, Ru/SPS çapraz bтармакlama sistemi, 450 nm жарык жана колдонулган yazıcı koşulları шартында geliştirilmiştir.

Түркия жагынан баалоо: Изилдөө; Түркияда biyomalzeme, ткань mühendisliği, rejeneratif tıp жана eklemeli imalat alanlarında çalışan изилдөө laboratuvarları үчүн yeni biyoсыя иштеп чыгуу sürecindeki deney sayısını azaltabмененcek bir ыкма örneği sunmaktadır. Yerel ишке ашыруу үчүн Түркияда erişмененbмененn polimerler, fotobaşlatıcılar, биопринтерlar жана жарык булакlarıyla yeni маалымат toplanması; modelin farklı cihazlar жана laboratuvarlar арасында dış doğrulanması; hücre içeren формулировкаlarda canlılık, көбөйүү жана биологиялык işlev тестlerinin yapılması gerekir. Klinik же endüstriyel kullanım düşünülürse стерилдүү өндүрүш, биоылайыктуулук, kalite kontrol, этикалык süreçler жана ilgili düzenleyici gereklilikler ayrıca değerlendirilmelidir. Бул изилдөөdan insan тканьsunun güжанаnli biçimde üretмененbildiği, modelin Түрк laboratuvarlarında aynı тактыкla çalışacтармакı же fiziksel валидация болбостон uygun biyoсыя reçetesi жанаrebмененceği sonucu çıkarılamaz.

Araştırmanın çözmeye çalıştığı problem эмне?

Ekstrüzyon tabanlı 3B биобасууда bilgisayar desбирli tasarımın басуу sonrasında aynı biçimde korunması, сыянын yalnızca kimyasal курамыne bтармакlı değildir. Mürekkebin илешкектүүлүкsi, кесүү шартында incelme davranışı, elastik жана viskoz bмененşenleri, çapraz bтармакlayıcı miktarı, жарык интенсивдүүлүгү, nozul белгилери жана hareket ылдамдыкı birlikte түшүрүү морфологиясыni belirler.

Çok akışkan bir гидрогель yüzeye yayılarak филаментlerin kalınlaşmasına жана көңдөйчөlerin kapanmasına yol açabilir. Aşırı katı же ылдам çapraz bтармакlanan bir sistem ise kesintili экструзия, düzensiz çizgмененr ya da yetersiz филамент birleşmesi oluşturabilir. Uygun басуу penceresinin geleneksel olarak çok sayıda формулировка hazırlanarak жана her biri fiziksel olarak basılarak aranması zaman, malzeme жана iş gücü gerektirir.

Önceki классификация жана regresyon modelleri bir басууnın başarılı olup olmayacтармакını же belirli bir сандык критерийü tahmin edebilir. Бирок bu modeller çoğunlukla sonucu bir класс же sayı olarak маалыматr; басууdan çıkması beklenen şekli doğrudan göstermez. Изилдөөчүлөр ошондуктан “Bu koşullarda басылган yapı кантип görünür?” sorusunu da yanıtlayabмененn koşullu bir сүрөт üretim modeli geliştirmiştir.

Изилдөө эмне үчүн чыныгы bir deneysel изилдөөdır?

Model yalnızca mevcut жарыялооlardan derlenen натыйжаларla eğitilmemiştir. Изилдөөчүлөр ALG-Ph жана HA-Ph сыяларi hazırlamış, reometreyle malzeme белгилериni ölçmüş, бир katmanlı ızgaraları fiziksel bir биопринтерyla basmış жана басууların сүрөттөрini toplamıştır. Fiziksel deneylerde сыя курамы менен 450 nm жарык интенсивдүүлүгү değiştirilmiş, басылган yapıların alanı жана geometrik белгилери kaydeтилmiştir.

Изилдөөnın 4. sayfasındaki şema, fiziksel басуу менен жасалма интеллект modelinin шилтемеsını көрсөтөт. Mürekkep реологияsi, фенолдук топ miktarı жана жарык интенсивдүүлүгү koşul жанаktörüne aktarılmakta; fiziksel yapı сүрөтsü kodlayıcıya маалыматlmekte; model bu bilgмененri жашыруун мейкиндикda temsil ederek yeni басуу сүрөттөрi üretmektedir.

Görünür жарыкla çapraz bтармакlanan гидрогель sistemi кантип изилдөөktadır?

Mürekkep sistemi fenol gruplarıyla işlevselleştirilmiş alginat жана hiyalüronik asitten oluşmaktadır. Formülasyona 2,0 mM tris(2,2'-bipiriтил)рутений(II) kompleksi жана 2,0 mM натрий персульфаты eklenmiştir.

450 nm görünür жарык рутений kompleksini uyarır. Uyarılmış kompleks persülfatın etkinleşmesini tэтикалыкler жана fenol gruplarından fenoksi radikalleri oluşmasına katkıda bulunur. Radikallerin eşleşmesi polimer zincirleri арасында kovalent bтармакlar oluşturur. Böylece экструзияla çıkan сыя жарык шартында ылдамдыкla jel hâline gelir.

Işık şiddeti düşük olduğunda çapraz bтармакlanma yetersiz kalabilir жана гидрогель yüzeye daha fazla yayılabilir. Şiddet yükseldiğinde daha sert жана biçimini koruyan филаментler oluşabilir. Муну менен бирге изилдөө, жарык интенсивдүүлүгүnin etkisinin сыянын реологияsi жана фенолдук топ içeriğiyle birlikte değerlendirilmesi gerektiğini көрсөтөт.

Hangi реологиялык белгиler modellenmiştir?

Kesme ылдамдыкına bтармакlı görünür илешкектүүлүк, 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 кесүү ылдамдыкındaki görünür илешкектүүлүкyi,
• η_∞: Çok yüksek кесүү ылдамдыкındaki илешкектүүлүкyi,
• m: Kesme шартында incelme davranışına geçişle ilişkili zaman sabitini,
• n: Kesme шартында incelmenin derecesini,
• γ̇: Kesme ылдамдыкını

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

Malzemenin elastik жана viskoz davranışı ise жоготуу тангенсиyla ifade eтилmiştir:

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

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

Desбир жанаktör regresyonu ne үчүн колдонулган?

Her yeni сыя курамы үчүн tam реология deneyinin yapılması yerine ALG-Ph жана HA-Ph yüzdelerinden η₀, m, n жана tan(δ) değerlerini tahmin eden dört ayrı таяныч вектор регрессиясы modeli kurulmuştur. Her реологиялык çıktı үчүн 45 маалымат noktası колдонулган жана radyal tabanlı fonksiyon çekirdeği seçilmiştir.

Modellerin düzenlмененştirme, çekirdek жана epsilon parametreleri 10 katlı çapraz валидацияyla belirlenmiştir. Bu modeller yalnızca deneysel olarak örneklenen ALG-Ph %0–5 жана HA-Ph %0–3 курам aralığında interpolasyon amacıyla колдонулган; aralık dışına yönelik ekstrapolasyon yapılmamıştır.

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

Değişkenler арасында кайсы ilişkмененr bulunmuştur?

766 örnek үстүндөn hesaplanan Pearson korelasyon matrisinde η₀ менен m арасында çok кубатlü pozitif ilişki bulunmuştur:

\[ r=0{,}99 \]

Kesme шартында incelme indeksi n менен ALG-Ph miktarı арасында кубатlü pozitif ilişki vardır:

\[ r=0{,}85 \]

n менен HA-Ph miktarı арасындаki ilişki ise zayıf жана negatiftir:

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

Basılı ızgara alanı A_grid; η₀, m, n, фенолдук топ miktarı жана polimer derişimleriyle orta düzeyde negatif ilişkмененr көрсөткөн. Bu абал daha viskoz жана daha кубатlü çapraz bтармакlanan сыяларin yüzeye daha az yayılmasıyla uyumludur. Işık şiddeti менен alan арасындаki ilişki zayıf kalmıştır:

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

Bu korelasyonlar эмне үчүнsellik kanıtı değildir. Mürekkep курамы aynı anda birden fazla реологиялык жана kimyasal өзгөчөliği değiştirdiği үчүн etkмененr birbirinden tamamen bтармакımsız değildir.

β-шарттуу вариациялык автоэнкодер кантип изилдөөktadır?

β-CVAE iki temel тармакdan oluşur. Kodlayıcı, чыныгы басуу сүрөтsünü жана koşul жанаktörünü düşük boyutlu olasılıksal bir gösterime айландырат. Kod çözücü ise bu жашыруун gösterimle koşul жанаktörünü kullanarak басуу сүрөтsünü yeniden üretir же yeni bir сүрөт oluşturur.

Kodlayıcı her örnek үчүн ortalama μ жана standart sapma σ жанаktörleri üretir. Gizil değişken yeniden parametreleştirme ыкмасыyle örneklenir:

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

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

Bu işlem, кокус örnekleme bulunmasına rтармакmen gradyanların тармак boyunca aktarılabilmesini sтармакlar.

Modelin жоготуу fonksiyonu iki bмененşenden 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 bмененşen, чыныгы сүрөтyle yeniden oluşturulan сүрөт арасындаki farkı azaltır. Изилдөөda bu bölüm ortalama karesel hatayla yaklaşık olarak hesaplanmıştır:

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

İkinci bмененşen, kodlayıcının ürettiği dтармакılımın standart normal önsel dтармакılıma yaklaşmasını sтармакlar:

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

β katsayısı yeniden yapılandırma doğruluğu менен жашыруун мейкиндикın düzenliliği арасындаki dengeyi belirler. Çok düşük β, iyi сүрөт kopyaları üretse de karmaşık жана yorumlanması кубат bir жашыруун мейкиндик oluşturabilir. Çok yüksek β ise жашыруун değişkenleri düzenlerken сүрөт ayrıntılarını kaybettirebilir.

Koşul жанаktöründe кайсы bilgмененr bulunmaktadır?

Model altı değişkenle koşullandırılmıştır:

1. Sıfır кесүү ылдамдыкındaki илешкектүүлүк, η₀,
2. Zaman sabiti, m,
3. Kesme шартында incelme indeksi, n,
4. Kayıp tanjantı, tan(δ),
5. Işınlama şiddeti, E_e,
6. Fenolik grup içeriği, D_Ph.

η₀ жана m үчүн logaritmik dönüşüm, D_Ph үчүн sıfır değerleri koruyabмененn log1p dönüşümü uygulanmıştır. Bütün koşul değişkenleri yalnızca окутуу kümesinden hesaplanan ortalama жана standart sapmayla standartlaştırılmıştır.

Model mimarisi кантипdır?

Girişler 128×128 piksel RGB сүрөттөрdir. Kodlayıcı, çekirdek boyutu 4 жана adım değeri 2 olan dört эки өлчөмдүү evrişim katmanıyla сүрөтyü 8×8 белги haritalarına küçültmüştür. Katmanlarda toplu normalleştirme жана ReLU etkinleştirmesi колдонулган.

Altı boyutlu koşul жанаktörü tam bтармакlı bir katmandan geçirмененrek сүрөт белгилериyle birleştirilmiştir. Modelin жашыруун мейкиндикı 32 boyutludur. Kod çözücü, dört çift doğrusal büyütme жана 3×3 evrişim aşamasıyla сүрөтyü yeniden 128×128 piksele çıkarmış, son katmanda sigmoid etkinleştirmesi kullanmıştır.

Verмененr herкайсы bir ön işleme yapılmadan önce %75 окутуу, %15 валидация жана %10 тест olarak ayrılmıştır. Yatay yansıtma менен 0°, 90°, 180° жана 270° döndürmeler yalnızca окутуу kümesine uygulanmıştır. Adam оптимизаторü, 10⁻³ үйрөнүү ылдамдыгы, 64 yığın өлчөмү жана 15 dönem erken durdurma sabrı колдонулган.

Neden β=5 seçilmiştir?

Изилдөөчүлөр farklı β değerlerinde her жашыруун boyutun KL ayrışımına katkısını incelemiştir. β=5 шартында тканьzuncu etkin boyuttan sonra kalan boyutların KL değeri 0,5’in altına belirgin biçimde düşmüştür. Bu абал, 32 boyutlu uzayın yaklaşık тканьz boyutunun сүрөтye ilişkin belirgin bilgi taşıdığını düşündürmüştür.

Bilinen temel üretici etkenler tam olarak tanımlanmadığından standart ayrıştırma puanları hesaplanmamıştır. Ошондуктан “жашыруун мейкиндик tamamen ayrıştırılmıştır” sonucu çıkarılmamaktadır. Boyut başına KL değeri жана görsel geçişler, yorumlanabilirlik үчүн жанаkil көрсөткүчler olarak колдонулган.

Görüntü yeniden yapılandırma başarımı кантипdır?

Bтармакımsız тест kümesi 77 сүрөтden oluşmuştur. Ortalama yeniden yapılandırma hatası:

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

Ortalama yapısal benzerlik:

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

olarak билдирилген.

7. sayfadaki чыныгы–üretilmiş сүрөттөрde model; ALG-Ph, HA-Ph жана bмененşik сыяларin филамент kalınlığı, көңдөйчө açıklığı жана kenar yapısındaki genel farklılıkları korumuştur. Üretilmiş сүрөттөр чыныгы сүрөттөрin birebir kopyaları değildir; küçük düzensizlikler жана ayrıntılar yumuşatılmıştır.

Koşullar değiştirildiğinde model кантип tepki жанаrmiştir?

Diğer değişkenler sabit tutularak бир bir koşul değişkeni değiştirildiğinde сүрөттөр ani жана düzensiz sıçramalar yerine kademeli морфологиялык geçişler көрсөткөн.

• Işık şiddeti жана фенолдук içerik yükseldiğinde kapalı көңдөйчөli, yayılmış yapılardan daha açık көңдөйчөli жана ince филаментli yapılara geçiş görülmüştür.
• η₀, m жана n değerleri филамент kalınlığı менен көңдөйчө düzenini değiştirmiştir.
• tan(δ) azaldığında daha elastik, tasarıma yakın жана daha az yayılmış çizgмененr üretilmiştir.

Bu davranışlar modelin yalnızca сүрөттөрi ezberlemediğini, koşullarla морфология арасында маалымат үчүнdeki düzenlilikleri öğrendiğini колдойт. Бирок fiziksel эмне үчүнsellik, yalnızca üretken modelin görsellerine dayanarak kanıtlanamaz.

Gizil uzay эмне үчүн açıklanabilir kabul eтилmiştir?

Gerçek сүрөттөрin kodlayıcıdan elde eтилen жашыруун ortalama жанаktörleri UMAP менен iki boyuta indirgenmiştir. Işık şiddeti, илешкектүүлүк, фенолдук içerik жана yapı alanı gibi değişkenlerin manifold үстүндө kademeli dтармакılımlar oluşturduğu görülmüştür.

Seçмененn жашыруун boyutlarda −3σ менен +3σ арасында yapılan geçişler farklı görsel белгилери etkмененmiştir:

• z8: Gözeneklerin dolması же kıvrılması,
• z23: Yatay жана dikey филамент kalınlığı,
• z24: Piksel yoğunluğu жана toplam yapı alanı.

9. sayfadaki görsellerde bu değişimler чыныгы басууlarda gözlenen морфологиялык çeşitlilikle benzer yönler көрсөткөн. Муну менен бирге бир bir жашыруун boyutun yalnızca бир bir fiziksel değişkeni temsil ettiği kanıtlanmamıştır. Изилдөөчүлөр da bazı жашыруун boyutların belirli басуу parametrelerine doğrudan bтармакlanmasının кубат olduğunu belirtmektedir.

Üretken çeşitlilik эмне маанини билдирет?

Aynı koşul жанаktörüyle farklı жашыруун örnekler seçildiğinde model көңдөйчө biçimi, филамент kalınlığı жана yapı alanında küçük farklılıklar üretmiştir. Örnekleme sıcaklığı T şu dтармакılımla uygulanmıştır:

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

Изилдөөda temel üretim değeri T=0,7’dir. Daha yüksek sıcaklık daha değişken жана düzensiz, daha düşük sıcaklık ise daha kararlı жана birbirine benzeyen сүрөттөр üretir.

Bu çeşitlilik fiziksel басуу бирrarlarının deneysel dтармакılımı değildir. Aynı koşullarda yeterli sayıda чыныгы басуу бирrarı yapılmadığından modelin ürettiği varyasyonun чыныгы üretim анык эмесliğini nicel olarak temsil ettiği söylenemez.

Sayısal жабык цикл кантип изилдөөktadır?

10. sayfadaki akış dört негиз модельi birleştirmektedir:

1. SVR: Önerмененn ALG-Ph жана HA-Ph курамыnden реологиялык белгилери tahmin eder.
2. β-CVAE: Bмененşim, реология, жарык жана фенолдук içerik шартында 30 olası басуу сүрөтsü üretir.
3. Çok görevli CNN: Görüntüleri beş басууlanabilirlik критерийüne göre değerlendirir.
4. Байесчил оптималдаштыруу: Toplam kaybı azaltacak yeni сыя курамыni seçer жана döngüyü бирrarlar.

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

Hangi басууlanabilirlik критерийлери колдонулган?

CNN beş çıktı üretmiştir:

• Filament tamlığı: Izgara çizgмененrinin kesintisiz olup olmadığı,
• Ortalama филамент genişliği,
• Yapı alanı,
• Dice окшоштук коэффициенти,
• Ortalama Hausdorff аралыгы.

Dice окшоштук коэффициенти, басылган 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 аралыгы iki sınır kümesi арасындаki en büyük en yakın-nokta farkını ölçer:

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

Daha düşük HD, көңдөйчө жана филамент sınırlarının referans geometriye daha yakın olduğunu gösterir.

CNN кайсы маалыматlerle үйрөтүлгөнtir?

Çok görevli CNN, β-CVAE tarafından oluşturulan 8.475 gri tonlamalı сүрөтyle үйрөтүлгөнtir. Veri %70 окутуу, %20 валидация жана %10 тест olarak ayrılmıştır. Eğitim сүрөттөрine dört yönlü döndürme uygulanmıştır.

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

• Alan, филамент genişliği, HD жана DSC үчүн regresyon başlığı,
• Tamlık olasılığı үчүн sigmoid классификация başlığı.

Bu noktada маанилүү bir sınır bulunmaktadır: CNN’nin окутуу örnekleri fiziksel сүрөттөр değil, üretken modelin oluşturduğu сүрөттөрdir. Ошондуктан β-CVAE’nin sistematik hataları CNN değerlendirmesine de aktarılabilir.

Байесчил оптималдаштырууun amaç fonksiyonu эмне?

Optimizasyon kaybı şu bмененşenlerden oluşturulmuştur:

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

Burada p_c толуктук olasılığıdır. L_A жана L_W, yapı alanı менен филамент genişliği kabul eтилen 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 жана HD үчүн 1,0; толуктук үчүн 5,0; alan жана genişlik үчүн 1,0 olarak belirlenmiştir.

Işık şiddeti %0–100 арасында 10 puanlık artışlarla değerlendirilmiştir. Her жарык düzeyinde 20 başlangıç örneği жана toplam 200 Байесчил оптималдаштыруу yinelemesi колдонулган.

Sayısal оптималдаштыруу кайсы koşulları bulmuştur?

Optimum курамler жарык düzeyine bтармакlı olarak çoğunlukla şu aralıklarda kümelenmiştir:

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

İncelenen жарык şiddetlerinde:

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

kalmıştır.

Bu değerler fiziksel olarak басылган оптималдуу örneklerin ölçümleri değil, model tarafından oluşturulan сүрөттөрden CNN’nin tahmin ettiği натыйжаларdır. Optimum reçetelerin чыныгы басууlarla sistematik biçimde doğrulandığı ayrı bir deney serisi sunulmamıştır.

Aktarım үйрөнүүsi кайсы yeni biçimlerde sınanmıştır?

Izgara yapılarında eğitмененn β-CVAE салмактары üç yeni geometri үчүн başlangıç noktası olarak колдонулган:

Modeller 50 dönem boyunca 10⁻³ үйрөнүү ылдамдыгы жана 16 yığın өлчөмүyle ince ayarlanmıştır. Üretмененn сүрөттөр гинкго жалбырагыnın genel sınırını, yıldızın köşelerini жана burun biçiminin iki taraflı simetrisini yaklaşık olarak korumuştur.

Bu натыйжа, ızgaralarda öğrenмененn bütün белгилериn yeni geometrмененre kusursuz aktarıldığını göstermez. Özellikle burun сүрөттөрi yalnızca эки өлчөмдүү üst görünüş морфологиясын temsil etmekte; чыныгы үч өлчөмдүү burun yüzeyinin көлөмдүк geometrisini modellememektedir.

Изилдөөnın desбирlediği натыйжалар nelerdir?

• Mürekkep реологияsi, фенолдук içerik жана жарык интенсивдүүлүгүyle koşullandırılmış bir β-CVAE, fiziksel басууlara görsel olarak benzeyen эки өлчөмдүү морфология сүрөттөрi üretebilir.
• Modelin жашыруун мейкиндикındaki bazı yönler көңдөйчө doluluğu, филамент genişliği жана yapı alanı gibi anlaşılır görsel белгиlerle ilişkilidir.
• SVR, örneklenen сыя курамы aralığında реологиялык değişkenler үчүн düzgün interpolasyon yüzeyleri sтармакlayabilir.
• Üretken model, CNN жана Байесчил оптималдаштыруу birleştirмененrek сыя курамleri сандык ortamda taranabilir.
• Önceden eğitмененn model, küçük маалымат kümeleriyle yeni эки өлчөмдүү tasarım geometrмененrine uyarlanabilir.

Изилдөө neyi далилдебейт?

• Canlı hücre içeren тканьların başarıyla üretildiğini göstermemektedir.
• Modelin клетка жашоого жөндөмдүүлүгүnı, дифференциацияsını, көбөйүүsını же ткань işlevini tahmin ettiğini göstermemektedir.
• Önerмененn reçetelerin fiziksel deney gerektirmeden güжанаnle kullanılabмененceğini далилдебейт.
• Kapalı döngünün yazıcıyı чыныгы zamanlı olarak kontrol ettiğini göstermemektedir.
• İki boyutlu сүрөт başarımının көлөмдүк үч өлчөмдүү biçim doğruluğuna eşdeğer olduğunu göstermemektedir.
• Modelin farklı polimerlere, çapraz bтармакlayıcılara, yazıcılara, nozullara жана laboratuvarlara doğrudan genellenebildiğini далилдебейт.
• Üretмененn сүрөттөр арасындаki çeşitliliğin чыныгы fiziksel басуу бирrarlanabilirliğini temsil ettiğini göstermemektedir.
• Klinik kullanım, organ üretimi же бейтапya өзгөчө canlı ткань imalatı үчүн hazır bir sistem sunmamaktadır.

Изилдөөnın temel чектөөлөрү nelerdir?

Model эки өлчөмдүү сүрөттөр үстүндө изилдөөktadır. Filamentin yüksekliği, katmanlar arası çökme, көлөмдүк deformasyon жана iç көңдөйчө шилтемеları doğrudan modellenmemiştir. Изилдөөчүлөр gelecekte voksel, nokta bulutu же PointNet benzeri көлөмдүк temsillere geçilmesi gerektiğini belirtmektedir.

Veri бир bir görünür жарыкla çapraz bтармакlama sistemine жана sınırlı bir курам alanına dayanmaktadır. Kullanılan yazıcı, nozul, жарык kaynтармакı же polimer değiştiğinde model yeniden eğitilmeden güжанаnilir натыйжа жанаrmeyebilir.

Kapalı döngü fiziksel басуу öncesinde yürütülmüştür. Kamera сүрөтsüne göre katman sırasında düzeltme yapan bir sistem değildir. Gerçek жабык цикл үчүн yazıcıya bтармакlı kamera, katman bazlı izleme, çevrim içi hata tanıma жана anlık süreç düzeltme gerekmektedir.

CNN’nin değerlendirme маалымат топтому üretken сүрөттөрden oluşmaktadır. Üretici менен değerlendiricinin aynı modelleme zincirinin parçaları olması, fiziksel чыныгыlikten ortak bir yönde sapma ihtimalini doğurur. Ошондуктан сунушталган оптималдуу noktalar чыныгы басууlarla ayrıca doğrulanmalıdır.

Изилдөөnın Yöntemi жана Bulguları

Fiziksel malzemeler жана реология ölçümü

3B басуу шарттары

Görüntü ön işleme

Baskı сүрөттөрindeki arka plan жана istenmeyen parçalar Segment Anything Model 2 sürüm 2.1 менен ayrılmış, OpenCV 4.10.0 kullanılarak бирdüze beyaz arka plana yerleştirilmiştir. Eğitim, валидация жана тест kümeleri сүрөт işleme öncesinde ayrılarak маалымат sızıntısı azaltılmıştır.

SVR modellerinin en iyi hiperparametreleri

β-CVAE окутуу ayarları

Temel yeniden yapılandırma натыйжаларı

Çok görevli CNN ayarları

Байесчил оптималдаштыруу ayarları

Optimizasyon çıktılarının doğru yorumu

Model zinciri, belirli сыя aralıklarında görsel olarak uygun adayları fiziksel басуу yapılmadan önce sıralayabмененcek bir tarama aracı sunmaktadır. Bunun en кубатlü olası колдонулушу, bütün kombinasyonları laboratuvarda denemek yerine düşük puanlı bölgeleri elemek жана fiziksel валидацияyı daha dar bir курам alanına багыттооktir.

Изилдөө fiziksel deneyin kaldırılmasını değil, deneylerin daha bilinçli seçilmesini колдойт. Üretken сүрөт, CNN puanı же Bayesçi оптималдуу; бир başına чыныгы басууnın başarılı, hücre uyumlu же биологиялык olarak işlevsel olduğunu göstermez.

Yeniden üretмененbilirlik

Изилдөөчүлөр изилдөөyı desбирleyen маалыматlerin Zenodo’da, маалымат analizi жана makine үйрөнүүsi kodlarının ise GitHub’da açık olarak bulunduğunu bildirmiştir. Bu абал mimari, маалымат işleme жана оптималдаштыруу adımlarının bтармакımsız olarak incelenmesini kolaylaştırmaktadır. Бирок başka bir laboratuvarın aynı натыйжаларı elde etmesi үчүн kimyasal malzemeler, yazıcı kalibrasyonu, жарык geometrisi, сүрөтleme düzeni жана реология ölçümlerinin de uyumlu olması gerekir.

Kaynak жана Yöntem Notu

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

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

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

Eş katkı bilgisi: Изилдөөda eşit katkı же eş birinci авторlık beyanı bulunmamaktadır.

Sorumlu автор: Shinji Sakai

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

DOI:10.1080/17452759.2026.2671497

Dergi: Virtual and Physical Prototyping

Cilt жана 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 гидрогель басуу deneylerini генеративдик жасалма интеллект, сүрөт değerlendirmesi жана сандык оптималдаштырууla birleştiren deneysel изилдөө makalesi

Hakemlik абалu: Изилдөө hakem değerlendirmesinden geçmiş жана derginin yayımlanmış sürümü olarak yayımlanmıştır.

Açık erişim абалu: Creatiжана Commons Attribution 4.0 lisansı шартында açık erişimdir.

Resmî шилтеме:Taylor & Francis расмий makale sayfası

Finansman: Изилдөө, Japan Science and Technology Agency tarafından yürütülen Adaptable and Seamless Technology Transfer Program through Target-driжанаn R&D kapsamında JPMJTR234C numaralı desбирle finanse eтилmiştir.

Çıkar çatışması: Изилдөөчүлөр potansiyel çıkar çatışması bildirmemiştir.

Veri жана kod: Изилдөөda маалыматlerin Zenodo’da, analiz жана makine үйрөнүүsi kodlarının GitHub’da açık olarak paylaşıldığı belirtilmektedir.

Bu Түркçe makale, 19 sayfalık özgün изилдөөnın metni, denklemleri, tabloları, deney parametreleri жана görsellerinin tamamı incelenerek hazırlanmıştır. Bilimsel ыкма, маалымат büyüklükleri, model ayarları жана натыйжалар yalnızca изилдөөda bildirмененn bilgмененre dayanmaktadır. Dış булакlar yalnızca жарыялоо kimliği, yayımlanmış sürüm, dergi, жарыялооevi, DOI жана жарыялоо tarihini валидацияk amacıyla колдонулган.

Изилдөөnın “3B биобасуу” kapsamı тирүү клетка içermeyen гидрогель басууlarıyla sınırlıdır. Kullanılan формулировкаların daha önce bildirмененn hücre uyumlu koşullara dayanması, bu deneylerde клетка жашоого жөндөмдүүлүгүnın же ткань işlevinin doğrulandığı anlamına gelmemektedir. Benzer şekilde in silico жабык цикл, yazıcıya чыныгы zamanlı fiziksel geri besleme sтармакlayan bir kontrol sistemi değildir.