Utafiti huu umeunda mfumo wa akili bandia zalishi unaoelezeka kwa uchapishaji wa kibayolojia wa 3D unaotegemea extrusion, ili kutengeneza kabla ya uchapishaji picha ya muundo unaotarajiwa kutokana na muundo wa wino wa hydrogel na hali za uchapishaji, na kubainisha hali zinazofaa katika mazingira ya kidijitali. Watafiti walifanya majaribio ya uchapishaji wa kimwili kwa wino unaotegemea alginate-phenol na hyaluronic acid-phenol; walitabiri sifa za rheology za wino kwa support vector regression; walitengeneza picha za miundo iliyochapishwa kwa kutumia β-conditional variational autoencoder inayotumia vigezo sita vya hali; na wakajenga convolutional neural network ya kazi nyingi inayotathmini picha kwa vigezo vitano vya uchapishikaji. Vipengele hivi viliunganishwa na uboreshaji wa Bayesi ili kuunda mzunguko uliofungwa wa in silico ambapo muundo wa wino husasishwa kwa kurudia.

Katika seti huru ya test, kosa la wastani la reconstruction la modeli ya β-CVAE liliripotiwa kuwa 0,007 na thamani ya wastani ya structural similarity 0,839. Modeli iliweza kuzalisha upya, kulingana na hali, sifa za kimofolojia zinazoonekana katika uchapishaji halisi kama ufunguzi wa vinyweleo, unene wa filament, mviringo wa kingo, ukali wa rangi na kusambaa. Katika hali zilizobainishwa kwa uboreshaji wa Bayesi, uwezekano wa ukamilifu uliendelea kuwa juu ya %90 katika viwango vya mwanga vilivyochunguzwa, mgawo wa kufanana wa Dice juu ya 0,8 na umbali wa Hausdorff chini ya 0,1. Transfer learning ilionyesha kwamba modeli iliyofundishwa awali kwenye miundo ya grid inaweza kubadilishwa kwa kutumia seti ndogo za data za sampuli 69–106 kwa maumbo ya jani la ginkgo, nyota tupu yenye ncha tano na pua ya binadamu.

Matokeo hayaonyeshi kwamba modeli zalishi imechukua nafasi ya majaribio yote ya kimwili. Mzunguko wa uboreshaji katika utafiti si udhibiti wa printer wa wakati halisi, bali ni uchunguzi wa kidijitali unaofanywa kwenye picha za pande mbili zinazozalishwa na modeli. Hakuna seli hai zilizotumiwa katika majaribio; uhai wa seli, kuongezeka, differentiation, kazi ya tishu na uthabiti wa kibaolojia wa muda mrefu havikutathminiwa. Modeli pia ilitengenezwa tu chini ya hali maalumu za wino wa ALG-Ph/HA-Ph, mfumo wa crosslinking wa Ru/SPS, mwanga wa 450 nm na printer iliyotumiwa.

Kwa mtazamo wa Türkiye: Utafiti unatoa mfano wa mbinu ambayo inaweza kupunguza idadi ya majaribio katika mchakato wa kutengeneza bioink mpya kwa maabara za utafiti nchini Türkiye zinazofanya kazi katika biomaterials, tissue engineering, regenerative medicine na additive manufacturing. Kwa matumizi ya ndani, data mpya zinapaswa kukusanywa kwa kutumia polima, photoinitiators, bioprinters na vyanzo vya mwanga vinavyopatikana Türkiye; modeli inapaswa kuthibitishwa kwa nje kati ya vifaa na maabara tofauti; na katika formulations zenye seli, majaribio ya uhai, kuongezeka na kazi ya kibaolojia yanapaswa kufanywa. Ikiwa matumizi ya kliniki au viwandani yatazingatiwa, uzalishaji wa sterile, biocompatibility, udhibiti wa ubora, taratibu za maadili na mahitaji husika ya udhibiti pia yanapaswa kutathminiwa kando. Kutokana na utafiti huu haiwezi kuhitimishwa kwamba tishu ya binadamu inaweza kutengenezwa kwa usalama, modeli itafanya kazi kwa usahihi uleule katika maabara za Türkiye, au inaweza kutoa recipe inayofaa ya bioink bila uthibitishaji wa kimwili.

Ni tatizo gani ambalo utafiti unajaribu kutatua?

Katika uchapishaji wa kibayolojia wa 3D unaotegemea extrusion, kuhifadhi baada ya uchapishaji umbo lilelile la muundo uliotengenezwa kwa kompyuta hakutegemei tu muundo wa kemikali wa wino. Viscosity ya wino, tabia ya shear-thinning, vipengele vya elastic na viscous, kiasi cha crosslinker, intensity ya mwanga, sifa za nozzle na kasi ya mwendo kwa pamoja huamua morphology ya deposition.

Hydrogel iliyo na mtiririko mwingi inaweza kusambaa juu ya uso na kusababisha filament kuwa nene na vinyweleo kufungwa. Mfumo ulio mgumu sana au unaocrosslink haraka unaweza kusababisha extrusion isiyo endelevu, mistari isiyo ya kawaida au muunganisho duni wa filament. Kutafuta kwa kawaida dirisha linalofaa la uchapishaji kwa kuandaa formulations nyingi na kuchapisha kila moja kimwili kunahitaji muda, nyenzo na nguvu kazi.

Modeli za awali za classification na regression zinaweza kutabiri kama uchapishaji utafanikiwa au kutabiri kipimo fulani cha namba. Hata hivyo modeli hizi mara nyingi hutoa matokeo kama class au namba; hazionyeshi moja kwa moja umbo linalotarajiwa kutoka kwenye uchapishaji. Kwa hiyo watafiti walitengeneza modeli ya conditional image generation inayoweza pia kujibu swali “Muundo uliochapishwa utaonekanaje katika hali hizi?”

Kwa nini utafiti huu ni utafiti halisi wa majaribio?

Modeli haikufundishwa tu kwa matokeo yaliyokusanywa kutoka machapisho yaliyopo. Watafiti waliandaa wino wa ALG-Ph na HA-Ph, wakapima sifa za nyenzo kwa rheometer, wakachapisha grid za safu moja kwa bioprinter ya kimwili na kukusanya picha za uchapishaji. Katika majaribio ya kimwili, muundo wa wino na intensity ya mwanga wa 450 nm vilibadilishwa, na eneo pamoja na sifa za kijiometri za miundo iliyochapishwa zilirekodiwa.

Mchoro kwenye ukurasa wa 4 wa utafiti unaonyesha uhusiano kati ya uchapishaji wa kimwili na modeli ya akili bandia. Rheology ya wino, kiasi cha kundi la phenolic na intensity ya mwanga hupelekwa kwenye condition vector; picha ya muundo wa kimwili huingizwa kwenye encoder; modeli huwakilisha taarifa hizi katika latent space na kuzalisha picha mpya za uchapishaji.

Mfumo wa hydrogel unaocrosslink kwa mwanga unaoonekana hufanyaje kazi?

Mfumo wa wino una alginate na hyaluronic acid zilizofanyiwa functionalization kwa makundi ya phenol. Kwenye formulation, 2,0 mM tris(2,2'-bipyridyl)ruthenium(II) complex na 2,0 mM sodium persulfate ziliongezwa.

Mwanga unaoonekana wa 450 nm huchochea ruthenium complex. Complex iliyochochewa huanzisha activation ya persulfate na kusaidia kutokea kwa phenoxy radicals kutoka kwenye makundi ya phenol. Kuungana kwa radicals hutengeneza covalent bonds kati ya minyororo ya polima. Hivyo wino unaotoka kwa extrusion hubadilika haraka kuwa gel chini ya mwanga.

Intensity ya mwanga ikiwa ndogo, crosslinking inaweza kuwa haitoshi na hydrogel inaweza kusambaa zaidi juu ya uso. Intensity ikiongezeka, filament ngumu zaidi zinazohifadhi umbo zinaweza kutokea. Hata hivyo utafiti unaonyesha kwamba athari ya intensity ya mwanga inapaswa kutathminiwa pamoja na rheology ya wino na maudhui ya makundi ya phenolic.

Ni sifa gani za rheology zilizomodeliwa?

Apparent viscosity inayotegemea shear rate ilimodeliwa kwa kutumia Cross Power Law:

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

Katika mlinganyo huu:

• η₀: Apparent viscosity katika shear rate inayokaribia sifuri,
• η_∞: Viscosity katika shear rate ya juu sana,
• m: Time constant inayohusishwa na mpito kuelekea tabia ya shear-thinning,
• n: Kiwango cha shear-thinning,
• γ̇: Shear rate

vinawakilisha. Katika utafiti, thamani ya η_∞ iliwekwa kuwa 10⁻³ Pa·s.

Tabia ya elastic na viscous ya nyenzo ilielezwa kwa loss tangent:

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

Hapa G′ ni storage modulus na G″ ni loss modulus. tan(δ) ndogo inaonyesha kwamba kipengele cha elastic kimekuwa na nguvu zaidi kwa uwiano; thamani kubwa zaidi inaonyesha kuongezeka kwa tabia ya viscous.

Support vector regression ilitumika kwa nini?

Badala ya kufanya jaribio kamili la rheology kwa kila muundo mpya wa wino, modeli nne tofauti za support vector regression ziliundwa kutabiri η₀, m, n na tan(δ) kutoka asilimia za ALG-Ph na HA-Ph. Pointi 45 za data zilitumiwa kwa kila output ya rheology na radial basis function kernel ilichaguliwa.

Vigezo vya regularization, kernel na epsilon vya modeli vilibainishwa kwa 10-fold cross-validation. Modeli hizi zilitumiwa kwa interpolation tu ndani ya anuwai ya muundo iliyosampuliwa kwa majaribio ya ALG-Ph %0–5 na HA-Ph %0–3; extrapolation nje ya anuwai haikufanywa.

Kwenye ukurasa wa 5 unaoonyesha nyuso za rheology, thamani za η₀ na m zinaonekana kuongezeka pamoja na concentration ya polima. η₀ ilibadilika takribani kati ya 2,6×10⁻² na 1,2×10³ Pa·s, na m kati ya 3,1×10⁻⁴ na sekunde 6,0. Shear-thinning index ilibaki katika anuwai ya 0,62–0,69.

Ni mahusiano gani yalipatikana kati ya vigezo?

Katika Pearson correlation matrix iliyokokotolewa kutokana na sampuli 766, uhusiano chanya wenye nguvu sana ulipatikana kati ya η₀ na m:

\[ r=0{,}99 \]

Kuna uhusiano chanya wenye nguvu kati ya shear-thinning index n na kiasi cha ALG-Ph:

\[ r=0{,}85 \]

Uhusiano kati ya n na kiasi cha HA-Ph ni dhaifu na hasi:

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

Eneo la grid iliyochapishwa A_grid lilionyesha mahusiano hasi ya kiwango cha kati na η₀, m, n, kiasi cha kundi la phenolic na concentrations za polima. Hii inaendana na ukweli kwamba wino wenye viscosity kubwa zaidi na crosslinking yenye nguvu zaidi husambaa kidogo juu ya uso. Uhusiano kati ya intensity ya mwanga na eneo ulibaki dhaifu:

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

Correlations hizi si ushahidi wa causality. Kwa kuwa muundo wa wino hubadilisha kwa wakati mmoja sifa kadhaa za rheology na kemikali, athari zake si huru kabisa kutoka kwa nyingine.

β-conditional variational autoencoder hufanyaje kazi?

β-CVAE ina mitandao miwili mikuu. Encoder hubadilisha picha halisi ya uchapishaji na condition vector kuwa uwakilishi wa probabilistic wa dimensionality ndogo. Decoder hutumia uwakilishi huu wa latent pamoja na condition vector ili kujenga upya picha ya uchapishaji au kutengeneza picha mpya.

Encoder hutengeneza vector za wastani μ na standard deviation σ kwa kila sampuli. Latent variable husampuliwa kwa reparameterization trick:

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

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

Hatua hii huruhusu gradients kupita kwenye mtandao hata kama random sampling ipo.

Loss function ya modeli ina vipengele viwili:

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

Kipengele cha kwanza hupunguza tofauti kati ya picha halisi na picha iliyojengwa upya. Katika utafiti, sehemu hii ilikadiriwa kwa mean squared error:

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

Kipengele cha pili hufanya distribution iliyotolewa na encoder ikaribie standard normal prior:

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

Mgawo β huamua usawa kati ya usahihi wa reconstruction na mpangilio wa latent space. β ndogo sana inaweza kutoa nakala nzuri za picha lakini ikaumba latent space changamano na ngumu kutafsiri. β kubwa sana inaweza kupoteza maelezo ya picha wakati wa kupanga latent variables.

Ni taarifa gani ziko katika condition vector?

Modeli imewekwa masharti kwa vigezo sita:

1. Viscosity katika zero shear rate, η₀,
2. Time constant, m,
3. Shear-thinning index, n,
4. Loss tangent, tan(δ),
5. Irradiation intensity, E_e,
6. Phenolic group content, D_Ph.

Logarithmic transformation ilitumika kwa η₀ na m, na log1p transformation inayoweza kuhifadhi thamani sifuri ilitumika kwa D_Ph. Vigezo vyote vya condition vilistandardishwa kwa wastani na standard deviation zilizokokotolewa kutoka training set pekee.

Usanifu wa modeli ukoje?

Inputs ni picha za RGB za 128×128 pixel. Encoder ilipunguza picha hadi feature maps za 8×8 kwa tabaka nne za convolution za pande mbili zenye kernel size 4 na stride 2. Batch normalization na ReLU activation zilitumika kwenye tabaka.

Condition vector yenye vipimo sita ilipitishwa kwenye fully connected layer na kuunganishwa na image features. Latent space ya modeli ina vipimo 32. Decoder ilikuza picha tena hadi 128×128 pixel kwa hatua nne za bilinear upsampling na convolution ya 3×3, na sigmoid activation ilitumika katika tabaka la mwisho.

Data ziligawanywa kabla ya preprocessing yoyote kuwa %75 training, %15 validation na %10 test. Horizontal flipping pamoja na rotations za 0°, 90°, 180° na 270° zilitumika kwenye training set pekee. Adam optimizer, learning rate ya 10⁻³, batch size 64 na early stopping patience ya epochs 15 zilitumika.

Kwa nini β=5 ilichaguliwa?

Watafiti walichunguza mchango wa kila latent dimension kwenye KL decomposition katika thamani tofauti za β. Chini ya β=5, baada ya dimension amilifu ya tisa, thamani za KL za dimensions zilizobaki zilishuka wazi chini ya 0,5. Hii iliashiria kwamba takribani dimensions tisa kati ya latent space ya dimensions 32 hubeba taarifa dhahiri kuhusu picha.

Kwa kuwa underlying generative factors zinazojulikana hazikufafanuliwa kikamilifu, standard disentanglement scores hazikukokotolewa. Kwa hiyo hitimisho kwamba “latent space imetenganishwa kikamilifu” halitolewi. KL ya kila dimension na visual traversals zilitumika kama proxy measures za interpretability.

Utendaji wa image reconstruction ukoje?

Independent test set ilikuwa na picha 77. Kosa la wastani la reconstruction:

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

Wastani wa structural similarity:

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

viliripotiwa.

Katika picha halisi–zilizotengenezwa kwenye ukurasa wa 7, modeli ilihifadhi tofauti za jumla katika unene wa filament, ufunguzi wa vinyweleo na muundo wa kingo kwa wino wa ALG-Ph, HA-Ph na mchanganyiko. Picha zilizotengenezwa si nakala halisi za picha za kweli; kasoro ndogo na maelezo madogo yamelainishwa.

Modeli iliitikiaje hali zilipobadilishwa?

Kigezo kimoja cha condition kilipobadilishwa huku vingine vikiwekwa thabiti, picha zilionyesha mabadiliko ya kimofolojia ya hatua kwa hatua badala ya kuruka ghafla na bila mpangilio.

• Intensity ya mwanga na phenolic content zilipoongezeka, kulionekana mpito kutoka miundo iliyosambaa yenye vinyweleo vilivyofungwa kwenda miundo yenye vinyweleo vilivyo wazi zaidi na filament nyembamba zaidi.
• Thamani za η₀, m na n zilibadilisha unene wa filament na mpangilio wa vinyweleo.
• tan(δ) ilipopungua, mistari yenye elasticity zaidi, iliyo karibu zaidi na design na iliyosambaa kidogo ilitengenezwa.

Tabia hizi zinaunga mkono kwamba modeli haikukumbuka picha tu, bali imejifunza regularities ndani ya data kati ya conditions na morphology. Hata hivyo causality ya kimwili haiwezi kuthibitishwa kutokana na visual outputs za modeli zalishi pekee.

Kwa nini latent space ilichukuliwa kuwa inaelezeka?

Latent mean vectors za picha halisi zilizopatikana kutoka encoder zilipunguzwa hadi vipimo viwili kwa UMAP. Vigezo kama intensity ya mwanga, viscosity, phenolic content na area ya muundo vilionekana kuunda usambazaji wa hatua kwa hatua kwenye manifold.

Traversals katika latent dimensions zilizochaguliwa kati ya −3σ na +3σ ziliathiri sifa tofauti za kuona:

• z8: Kujazwa au kupinda kwa vinyweleo,
• z23: Unene wa filament za mlalo na wima,
• z24: Pixel intensity na total structure area.

Katika picha za ukurasa wa 9, mabadiliko haya yalionyesha mwelekeo unaofanana na utofauti wa morphology unaoonekana katika uchapishaji halisi. Hata hivyo haijathibitishwa kwamba latent dimension moja inawakilisha variable moja ya kimwili pekee. Watafiti pia wanaeleza kuwa ni vigumu kuunganisha moja kwa moja baadhi ya latent dimensions na printing parameters maalumu.

Generative diversity ina maana gani?

Latent samples tofauti zilipochaguliwa kwa condition vector ileile, modeli ilitoa tofauti ndogo katika umbo la vinyweleo, unene wa filament na area ya muundo. Sampling temperature T ilitumika kwa distribution ifuatayo:

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

Katika utafiti, thamani ya msingi ya generation ni T=0,7. Temperature kubwa zaidi hutoa picha zenye variation zaidi na zisizo za kawaida, huku temperature ndogo zaidi ikitoa picha thabiti na zinazofanana zaidi.

Diversity hii si distribution ya majaribio ya physical print replicates. Kwa kuwa hakukuwa na idadi ya kutosha ya real print replicates katika conditions zilezile, haiwezi kusemwa kwamba variation inayotolewa na modeli inawakilisha kwa namba uncertainty halisi ya uzalishaji.

Mzunguko uliofungwa wa kidijitali hufanyaje kazi?

Mtiririko kwenye ukurasa wa 10 unaunganisha modeli nne kuu:

1. SVR: Hutabiri sifa za rheology kutokana na muundo uliopendekezwa wa ALG-Ph na HA-Ph.
2. β-CVAE: Hutengeneza picha 30 zinazowezekana za uchapishaji chini ya hali za muundo, rheology, mwanga na phenolic content.
3. CNN ya kazi nyingi: Hutathmini picha kwa vigezo vitano vya uchapishikaji.
4. Uboreshaji wa Bayesi: Huchagua muundo mpya wa wino utakaopunguza total loss na kurudia mzunguko.

Mchakato huu hautumi printer amri ya marekebisho ya kimwili. “Mzunguko uliofungwa” unamaanisha kwamba output ya modeli inaingia tena katika tathmini inayotegemea modeli na tathmini hiyo inabadilisha pendekezo la condition linalofuata.

Ni vigezo gani vya uchapishikaji vilitumika?

CNN ilitoa outputs tano:

• Ukamilifu wa filament: Kama mistari ya grid ni endelevu au la,
• Wastani wa upana wa filament,
• Eneo la muundo,
• Mgawo wa kufanana wa Dice,
• Wastani wa umbali wa Hausdorff.

Mgawo wa kufanana wa Dice hupima overlap kati ya mask ya muundo uliochapishwa na reference design:

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

Kadiri thamani inavyokaribia 1, overlap ya mask hizo mbili huongezeka.

Umbali wa Hausdorff hupima tofauti kubwa zaidi ya nearest-point kati ya seti mbili za mipaka:

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

HD ndogo inaonyesha kwamba mipaka ya vinyweleo na filament iko karibu zaidi na reference geometry.

CNN ilifundishwa kwa data gani?

CNN ya kazi nyingi ilifundishwa kwa picha 8.475 za grayscale zilizotengenezwa na β-CVAE. Data ziligawanywa kuwa %70 training, %20 validation na %10 test. Four-way rotation ilitumika kwenye training images.

Shared trunk ilikuwa na convolutional layers tatu. Kisha output heads mbili zilitumika:

• Regression head kwa area, filament width, HD na DSC,
• Sigmoid classification head kwa completeness probability.

Kuna kikomo muhimu hapa: training samples za CNN si physical images, bali images zilizotengenezwa na generative model. Kwa hiyo systematic errors za β-CVAE zinaweza kuhamia pia katika tathmini ya CNN.

Objective function ya Bayesian optimization ni ipi?

Optimization loss iliundwa kutoka kwa vipengele vifuatavyo:

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

Hapa p_c ni completeness probability. L_A na L_W ni quadratic penalties zinazoongezeka wakati structure area na filament width ziko nje ya acceptance ranges.

Acceptance ranges:

• Structure area: 40–65 mm²,
• Filament width: 0,3–0,5 mm.

Completeness probability iliposhuka chini ya 0,5, adhabu ya ziada ya units 50 ilitumika. Weights ziliwekwa kuwa 1,0 kwa DSC na HD; 5,0 kwa completeness; na 1,0 kwa area na width.

Light intensity ilitathminiwa kati ya %0–100 kwa increments za pointi 10. Katika kila kiwango cha mwanga, initial samples 20 na jumla ya iterations 200 za Bayesian optimization zilitumika.

Uboreshaji wa kidijitali ulipata hali gani?

Optimal compositions kwa kutegemea kiwango cha mwanga zilijikusanya hasa katika anuwai zifuatazo:

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

Katika light intensities zilizochunguzwa:

• Completeness probability juu ya %90,
• Structure area takribani 60–70 mm²,
• Filament width takribani 0,4–0,5 mm,
• DSC juu ya 0,8,
• HD chini ya 0,1

zilibaki.

Thamani hizi si vipimo vya optimal samples zilizochapishwa kimwili, bali ni matokeo yaliyotabiriwa na CNN kutoka kwenye images zilizotengenezwa na modeli. Hakuna series tofauti ya majaribio iliyowasilishwa ambayo inathibitisha kwa utaratibu optimal recipes kwa real prints.

Transfer learning ilijaribiwa kwenye maumbo gani mapya?

Weights za β-CVAE zilizofundishwa kwenye grid structures zilitumiwa kama starting point kwa geometries tatu mpya:

Modeli zili-fine-tune kwa epochs 50 kwa learning rate ya 10⁻³ na batch size 16. Picha zilizotengenezwa zilihifadhi kwa kiasi cha karibu boundary ya jumla ya jani la ginkgo, corners za nyota na bilateral symmetry ya umbo la pua.

Matokeo haya hayamaanishi kwamba sifa zote zilizojifunzwa kwenye grids zimehamishwa kikamilifu kwenye geometries mpya. Hasa, picha za pua zinawakilisha tu top-view morphology ya pande mbili; hazimodeli volumetric geometry ya uso halisi wa pua wa pande tatu.

Utafiti unaunga mkono matokeo gani?

• β-CVAE iliyowekewa masharti kwa rheology ya wino, phenolic content na light intensity inaweza kutengeneza picha za morphology za pande mbili zinazofanana kwa kuona na physical prints.
• Baadhi ya directions katika latent space ya modeli zinahusiana na sifa za kuona zinazoeleweka kama pore filling, filament width na structure area.
• SVR inaweza kutoa smooth interpolation surfaces kwa rheological variables ndani ya sampled ink-composition range.
• Generative model, CNN na Bayesian optimization zinaweza kuunganishwa ili ink compositions ziscanwe katika mazingira ya kidijitali.
• Pretrained model inaweza kubadilishwa kwa new two-dimensional design geometries kwa kutumia small datasets.

Utafiti hauthibitishi nini?

• Hauonyeshi kwamba tishu zenye seli hai zimetengenezwa kwa mafanikio.
• Hauonyeshi kwamba modeli inatabiri cell viability, differentiation, proliferation au tissue function.
• Haudhibitishi kwamba proposed recipes zinaweza kutumiwa kwa usalama bila physical experiments.
• Hauonyeshi kwamba closed loop inadhibiti printer kwa wakati halisi.
• Hauonyeshi kwamba two-dimensional image performance ni sawa na volumetric three-dimensional shape accuracy.
• Haudhibitishi kwamba modeli inaweza ku-generalize moja kwa moja kwa polima, crosslinkers, printers, nozzles na maabara tofauti.
• Hauonyeshi kwamba diversity kati ya generated images inawakilisha real physical print repeatability.
• Hautoi mfumo tayari kwa clinical use, organ manufacturing au patient-specific living tissue fabrication.

Ni mapungufu gani makuu ya utafiti?

Modeli inafanya kazi na picha za pande mbili. Filament height, interlayer collapse, volumetric deformation na internal pore connectivity hazikumodeliwa moja kwa moja. Watafiti wanaeleza kwamba katika siku zijazo ni lazima kuelekea uwakilishi wa volumetric kama voxel, point cloud au PointNet.

Data zinategemea visible-light crosslinking system moja na composition space iliyowekewa mipaka. Printer, nozzle, light source au polima ikibadilika, modeli inaweza kutotoa matokeo ya kuaminika bila kufundishwa upya.

Closed loop ilifanywa kabla ya physical printing. Si mfumo unaofanya marekebisho wakati wa layer deposition kulingana na camera image. Kwa closed loop halisi, camera iliyounganishwa na printer, layer-by-layer monitoring, online error recognition na immediate process correction zinahitajika.

Dataset ya tathmini ya CNN ina generative images. Generator na evaluator kuwa sehemu za modeling chain ileile kunazalisha uwezekano wa kupotoka pamoja kutoka physical reality katika mwelekeo mmoja. Kwa hiyo proposed optimal points zinapaswa kuthibitishwa kando kwa real prints.

Mbinu na Matokeo ya Utafiti

Nyenzo za kimwili na kipimo cha rheology

Hali za uchapishaji wa 3D

Image preprocessing

Background na sehemu zisizohitajika katika print images zilitenganishwa kwa Segment Anything Model 2 version 2.1 na kuwekwa kwenye uniform white background kwa kutumia OpenCV 4.10.0. Training, validation na test sets zilitenganishwa kabla ya image processing ili kupunguza data leakage.

Best hyperparameters za SVR models

β-CVAE training settings

Matokeo makuu ya reconstruction

Multi-task CNN settings

Bayesian optimization settings

Tafsiri sahihi ya optimization outputs

Model chain inatoa scanning tool inayoweza kupanga candidates zinazofaa kwa kuona ndani ya certain ink ranges kabla ya physical printing. Matumizi yake yenye nguvu zaidi yanaweza kuwa kuondoa low-scoring regions badala ya kujaribu combinations zote katika maabara na kuelekeza physical validation kwenye composition space iliyobana zaidi.

Utafiti unaunga mkono uchaguzi wa majaribio kwa uangalifu zaidi, si kuondoa physical experiments. Generative image, CNN score au Bayesian optimum pekee haionyeshi kwamba real print imefanikiwa, ni cell-compatible au ina biological function.

Reproducibility

Watafiti waliripoti kwamba data zinazounga mkono kazi ziko wazi kwenye Zenodo, huku data analysis na machine learning codes zikiwa wazi kwenye GitHub. Hii hurahisisha uchunguzi huru wa architecture, data processing na optimization steps. Hata hivyo ili maabara nyingine ipate matokeo yale yale, chemical materials, printer calibration, light geometry, imaging setup na rheology measurements pia zinapaswa kuendana.

Maelezo ya Chanzo na Mbinu

Jina kamili asili la utafiti: Generative AI-guided in silico closed-loop optimisation of deposition morphology for 3D bioprinting applications

Waandishi: Colin Zhang, Kelum Chamara Manoj Lakmal Elvitigala na Shinji Sakai

Mpangilio wa waandishi: Colin Zhang; Kelum Chamara Manoj Lakmal Elvitigala; Shinji Sakai

Taarifa ya mchango sawa: Hakuna taarifa ya mchango sawa au uandishi mwenza wa kwanza katika utafiti.

Mwandishi wa mawasiliano: Shinji Sakai

Taasisi: Division of Chemical Engineering, Department of Materials Engineering Science, Graduate School of Engineering Science, The University of Osaka, Toyonaka, Japan

DOI:10.1080/17452759.2026.2671497

Jarida: Virtual and Physical Prototyping

Juzuu na toleo: 21(1)

Nambari ya makala: e2671497

Mchapishaji: Informa UK Limited, kwa niaba ya Taylor & Francis Group

Tarehe ya kuwasilishwa: 14 Machi 2026

Tarehe ya kukubaliwa: 5 Mei 2026

Tarehe ya kuchapishwa: 21 Mei 2026

Mwaka wa uchapishaji: 2026

Aina ya chanzo: Makala ya utafiti wa majaribio inayounganisha physical hydrogel printing experiments na generative AI, image evaluation na numerical optimization

Hali ya mapitio ya rika: Utafiti umepitiwa na wahakiki na kuchapishwa kama toleo la jarida lililochapishwa.

Hali ya open access: Ni open access chini ya leseni ya Creative Commons Attribution 4.0.

Kiungo rasmi:Ukurasa rasmi wa makala wa Taylor & Francis

Ufadhili: Utafiti ulifadhiliwa na Japan Science and Technology Agency chini ya Adaptable and Seamless Technology Transfer Program through Target-driven R&D kwa grant namba JPMJTR234C.

Mgongano wa maslahi: Watafiti hawakuripoti mgongano wa maslahi unaowezekana.

Data na code: Utafiti unaeleza kwamba data zimeshirikiwa wazi kwenye Zenodo, na analysis na machine learning codes kwenye GitHub.

Makala haya ya Kiswahili yameandaliwa kwa kuchunguza maandishi yote, equations, tables, experimental parameters na images za utafiti asili wa kurasa 19. Mbinu ya kisayansi, ukubwa wa data, model settings na matokeo yanategemea tu taarifa zilizoripotiwa katika utafiti. Vyanzo vya nje vilitumika tu kuthibitisha utambulisho wa uchapishaji, published version, journal, publisher, DOI na tarehe ya publication.

Wigo wa “3D bioprinting” katika utafiti umewekewa mipaka kwa hydrogel prints zisizo na live cells. Ukweli kwamba formulations zilizotumiwa zinategemea conditions zilizoripotiwa awali kuwa cell-compatible haumaanishi kwamba cell viability au tissue function vilithibitishwa katika majaribio haya. Vivyo hivyo, in silico closed loop si control system inayotoa physical feedback kwa printer kwa wakati halisi.