Ин таҳқиқот барои экструзияи 3Б-биочоп чаҳорчӯбаи шарҳшавандаи зеҳни сунъии тавлидиро таҳия кардааст, то тасвири сохторе, ки вобаста ба таркиби сиёҳии гидрогелӣ ва шароити чоп ба вуҷуд меояд, пеш аз чоп тавлид шавад ва шароити мувофиқ дар муҳити рақамӣ муайян гардад. Муҳаққиқон бо сиёҳҳои асосёфта ба alginate-phenol ва hyaluronic acid-phenol таҷрибаҳои физикии чоп гузарониданд; хусусиятҳои реологии сиёҳро бо регрессияи вектори дастгирӣ пешгӯӣ карданд; бо β-автоэнкодери вариатсионии шартӣ, ки шаш тағйирёбандаи шароитро истифода мебарад, тасвирҳои сохтори чопшударо тавлид намуданд ва шабакаи нейронии конволютсионии бисёрвазифа сохтанд, ки тасвирҳоро аз рӯи панҷ меъёри чоппазирӣ арзёбӣ мекунад. Ин ҷузъҳо бо оптимизатсияи Байесӣ муттаҳид шуда, ҳалқаи пӯшидаи in silico ба вуҷуд оварданд, ки дар он таркиби сиёҳ ба таври итеративӣ нав карда мешавад.

Дар маҷмӯаи мустақили test хатои миёнаи бозсозии модели β-CVAE 0,007 ва арзиши миёнаи монандии сохторӣ 0,839 гузориш шудааст. Модел тавонист хусусиятҳои морфологиро, ки дар чопҳои воқеӣ дида мешаванд, ба монанди кушодагии сӯрохҳо, ғафсии filament, гирдшавии канорҳо, шиддати ранг ва паҳншавӣ, вобаста ба шароитҳо аз нав тавлид кунад. Дар шароите, ки бо оптимизатсияи Байесӣ муайян шудааст, эҳтимолияти комилӣ дар шиддатҳои нури таҳқиқшуда аз %90 боло, коэффисиенти монандии Dice аз 0,8 боло ва масофаи Hausdorff аз 0,1 поён мондааст. Transfer learning нишон дод, ки модели пешакӣ дар сохторҳои grid омӯзонидашуда метавонад бо маҷмӯаҳои хурди додаҳои 69–106 намуна ба шаклҳои барги ginkgo, ситораи панҷгӯшаи холӣ ва бинии инсон мутобиқ карда шавад.

Натиҷаҳо нишон намедиҳанд, ки модели тавлидӣ ҳамаи таҷрибаҳои физикиро иваз кардааст. Ҳалқаи оптимизатсияи таҳқиқот идоракунии вақти воқеии принтер нест, балки сканкунии рақамӣ мебошад, ки дар тасвирҳои дуандозаи аз ҷониби модел тавлидшуда иҷро мешавад. Дар таҷрибаҳо ҳуҷайраҳои зинда истифода нашудаанд; зиндамонии ҳуҷайра, афзоиш, фарқшавӣ, фаъолияти бофта ва устувории дарозмуддати биологӣ арзёбӣ нашудаанд. Модел ҳамчунин танҳо барои сиёҳҳои муайяни ALG-Ph/HA-Ph, низоми crosslinking-и Ru/SPS, нури 450 nm ва шароити принтери истифодашуда таҳия шудааст.

Аз нигоҳи Туркия: Таҳқиқот барои лабораторияҳои тадқиқотии Туркия, ки дар соҳаҳои биоматериалҳо, муҳандисии бофта, тибби регенеративӣ ва истеҳсоли иловагӣ фаъолият мекунанд, намунаи усулеро пешниҳод мекунад, ки метавонад шумораи таҷрибаҳоро дар раванди таҳияи biosiyoh-и нав кам кунад. Барои татбиқи маҳаллӣ бояд бо полимерҳо, photoinitiator-ҳо, биопринтерҳо ва манбаъҳои нуре, ки дар Туркия дастрасанд, додаҳои нав ҷамъ карда шаванд; модел байни дастгоҳҳо ва лабораторияҳои гуногун аз берун тасдиқ шавад; дар формулаҳои дорои ҳуҷайра санҷишҳои зиндамонӣ, афзоиш ва фаъолияти биологӣ анҷом дода шаванд. Агар истифодаи клиникӣ ё саноатӣ баррасӣ шавад, истеҳсоли стерилӣ, biocompatibility, назорати сифат, равандҳои этикӣ ва талаботи дахлдори танзимкунанда низ бояд алоҳида арзёбӣ шаванд. Аз ин таҳқиқот наметавон хулоса кард, ки бофтаи инсонро бехатар истеҳсол кардан мумкин аст, модел дар лабораторияҳои Туркия бо ҳамон дақиқӣ кор мекунад ё бе тасдиқи физикӣ рецепти мувофиқи biosiyoh медиҳад.

Мушкиле, ки таҳқиқот мехоҳад ҳал кунад, чист?

Дар экструзияи 3Б-биочоп нигоҳ доштани тарҳи компютерӣ пас аз чоп танҳо ба таркиби химиявии сиёҳ вобаста нест. Вискозитети сиёҳ, рафтори тунукшавӣ зери shear, ҷузъҳои эластикӣ ва вискозӣ, миқдори crosslinker, шиддати нур, хусусиятҳои nozzle ва суръати ҳаракат якҷоя морфологияи deposition-ро муайян мекунанд.

Гидрогели аз ҳад моеъ метавонад рӯи сатҳ паҳн шавад ва боиси ғафсшавии filament-ҳо ва баста шудани сӯрохҳо гардад. Низоми аз ҳад сахт ё зуд crosslinkшаванда метавонад экструзияиқатъшаванда, хатҳои номунтазам ё пайвасти нокифояи filament-ҳоро ба вуҷуд орад. Ҷустуҷӯи анъанавии равзанаи чопи мувофиқ бо омода кардани шумораи зиёди формулаҳо ва чопи физикии ҳар яке вақт, мавод ва қувваи корӣ талаб мекунад.

Моделҳои қаблии тасниф ва регрессия метавонанд пешгӯӣ кунанд, ки чоп муваффақ мешавад ё не, ё як меъёри рақамиро пешбинӣ намоянд. Аммо ин моделҳо одатан натиҷаро ҳамчун синф ё рақам медиҳанд; шакле, ки интизор меравад аз чоп барояд, бевосита нишон намедиҳанд. Аз ин рӯ, муҳаққиқон модели шартии тавлиди тасвирро таҳия карданд, ки метавонад ба саволи “Дар ин шароит сохтори чопшуда чӣ гуна менамояд?” низ ҷавоб диҳад.

Чаро таҳқиқот кори воқеии таҷрибавӣ аст?

Модел танҳо бо натиҷаҳои аз нашрияҳои мавҷуда ҷамъоваришуда омӯзонида нашудааст. Муҳаққиқон сиёҳҳои ALG-Ph ва HA-Ph-ро омода карданд, хусусиятҳои маводро бо реометр чен намуданд, grid-ҳои якқабатаро бо биопринтери физикӣ чоп карданд ва тасвирҳои чопҳоро ҷамъ оварданд. Дар таҷрибаҳои физикӣ таркиби сиёҳ ва шиддати нури 450 nm тағйир дода шуда, масоҳат ва хусусиятҳои геометрии сохторҳои чопшуда сабт шуданд.

Схемаи саҳифаи 4-и таҳқиқот алоқаи байни чопи физикӣ ва модели зеҳни сунъиро нишон медиҳад. Реологияи сиёҳ, миқдори гурӯҳҳои phenolic ва шиддати нур ба вектори шартӣ интиқол меёбанд; тасвири сохтори физикӣ ба encoder дода мешавад; модел ин маълумотро дар фазои latent ифода карда, тасвирҳои нави чопро тавлид мекунад.

Низоми гидрогелӣ, ки бо нури намоён crosslink мешавад, чӣ гуна кор мекунад?

Низоми сиёҳ аз alginate ва hyaluronic acid иборат аст, ки бо гурӯҳҳои phenol функсионалӣ шудаанд. Ба формула 2,0 mM комплекси tris(2,2'-bipyridyl)ruthenium(II) ва 2,0 mM sodium persulfate илова шудааст.

Нури намоёни 450 nm комплекси ruthenium-ро таҳрик медиҳад. Комплекси таҳрикшуда фаъолшавии persulfate-ро оғоз мекунад ва ба ташаккули радикалҳои phenoxy аз гурӯҳҳои phenol мусоидат мекунад. Ҷуфтшавии радикалҳо байни занҷирҳои полимерӣ пайвандҳои ковалентӣ ба вуҷуд меорад. Ҳамин тавр, сиёҳе, ки аз экструзия мебарояд, дар зери нур зуд ба gel табдил меёбад.

Ҳангоми паст будани шиддати нур crosslinking метавонад нокифоя монда, гидрогел бештар рӯи сатҳ паҳн шавад. Бо зиёд шудани шиддат filament-ҳои сахттар ва шаклнигоҳдоранда метавонанд ба вуҷуд оянд. Бо вуҷуди ин, таҳқиқот нишон медиҳад, ки таъсири шиддати нур бояд дар якҷоягӣ бо реологияи сиёҳ ва таркиби гурӯҳҳои phenolic арзёбӣ шавад.

Кадом хусусиятҳои реологӣ модел шудаанд?

Вискозитети намоён вобаста ба суръати shear бо Cross Power Law модел шудааст:

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

Дар ин муодила:

• η₀: Вискозитети намоёнро дар суръати shear-и наздик ба сифр,
• η_∞: Вискозитетро дар суръати хеле баланди shear,
• m: Доимии вақтро, ки бо гузариш ба рафтори shear-thinning алоқаманд аст,
• n: Дараҷаи shear-thinning-ро,
• γ̇: Суръати shear-ро

ифода мекунад. Дар таҳқиқот арзиши η_∞ ба 10⁻³ Pa·s собит карда шудааст.

Рафтори эластикӣ ва вискозии мавод бо loss tangent ифода шудааст:

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

Дар ин ҷо G′ модули storage ва G″ модули loss мебошад. tan(δ)-и пасттар нишон медиҳад, ки ҷузъи эластикӣ нисбатан қавитар аст; арзиши баландтар бошад зиёд шудани рафтори вискозиро нишон медиҳад.

Регрессияи вектори дастгирӣ барои чӣ истифода шуд?

Ба ҷойи анҷом додани таҷрибаи пурраи реологӣ барои ҳар таркиби нави сиёҳ, чор модели алоҳидаи регрессияи вектори дастгирӣ сохта шуд, ки аз фоизҳои ALG-Ph ва HA-Ph арзишҳои η₀, m, n ва tan(δ)-ро пешгӯӣ мекунанд. Барои ҳар баромади реологӣ 45 нуқтаи дода истифода шуд ва kernel-и radial basis function интихоб гардид.

Параметрҳои regularization, kernel ва epsilon-и моделҳо бо cross-validation-и 10-fold муайян шуданд. Ин моделҳо танҳо барои interpolation дар диапазони таркиби таҷрибавии ALG-Ph %0–5 ва HA-Ph %0–3 истифода шуданд; берун аз диапазон extrapolation иҷро нашуд.

Дар саҳифаи 5, ки сатҳҳои реология нишон дода шудаанд, дида мешавад, ки арзишҳои η₀ ва m бо зиёд шудани консентратсияи полимер меафзоянд. η₀ тақрибан байни 2,6×10⁻² ва 1,2×10³ Pa·s, m бошад байни 3,1×10⁻⁴ ва 6,0 сония тағйир ёфтааст. Индекси shear-thinning дар диапазони 0,62–0,69 мондааст.

Байни тағйирёбандаҳо кадом муносибатҳо пайдо шуданд?

Дар матритсаи коррелятсияи Pearson, ки аз рӯи 766 намуна ҳисоб шудааст, байни η₀ ва m муносибати хеле қавии мусбат пайдо шуд:

\[ r=0{,}99 \]

Байни индекси shear-thinning n ва миқдори ALG-Ph муносибати қавии мусбат мавҷуд аст:

\[ r=0{,}85 \]

Муносибати n бо миқдори HA-Ph бошад заиф ва манфӣ аст:

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

Масоҳати grid-и чопшуда A_grid бо η₀, m, n, миқдори гурӯҳи phenolic ва консентратсияи полимерҳо муносибатҳои манфии сатҳи миёна нишон дод. Ин ҳолат бо он мувофиқ аст, ки сиёҳҳои вискозтар ва қавитар crosslinkшаванда рӯи сатҳ камтар паҳн мешаванд. Муносибати байни шиддати нур ва масоҳат заиф мондааст:

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

Ин коррелятсияҳо далели сабабият нестанд. Азбаски таркиби сиёҳ ҳамзамон якчанд хусусияти реологӣ ва химиявиро тағйир медиҳад, таъсирҳо аз ҳам комилан мустақил нестанд.

β-автоэнкодери вариатсионии шартӣ чӣ гуна кор мекунад?

β-CVAE аз ду шабакаи асосӣ иборат аст. Encoder тасвири воқеии чоп ва вектори шартиро ба ифодаи эҳтимолии камандоза табдил медиҳад. Decoder бошад ин ифодаи latent ва вектори шартиро истифода бурда, тасвири чопро бозсозӣ мекунад ё тасвири нав месозад.

Encoder барои ҳар намуна векторҳои миёнаи μ ва инҳирофи стандартии σ тавлид мекунад. Тағйирёбандаи latent бо усули reparameterization намуна гирифта мешавад:

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

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

Ин амал имкон медиҳад, ки бо вуҷуди мавҷуд будани намунагирии тасодуфӣ gradient-ҳо дар тамоми шабака интиқол ёбанд.

Функсияи loss-и модел аз ду ҷузъ иборат аст:

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

Ҷузъи аввал фарқи байни тасвири воқеӣ ва тасвири бозсозишударо кам мекунад. Дар таҳқиқот ин қисм тақрибан бо mean squared error ҳисоб шудааст:

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

Ҷузъи дуюм таъмин мекунад, ки тақсимоти аз encoder ҳосилшуда ба prior-и стандартии normal наздик шавад:

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

Коэффисиенти β мувозинати байни дақиқии бозсозӣ ва тартиби фазои latent-ро муайян мекунад. β-и хеле паст метавонад нусхаҳои хуби тасвир тавлид кунад, аммо фазои latent-и мураккаб ва душворфаҳм созад. β-и хеле баланд бошад ҳангоми тартиб додани тағйирёбандаҳои latent метавонад ҷузъиёти тасвирро гум кунад.

Дар вектори шартӣ кадом маълумот мавҷуд аст?

Модел бо шаш тағйирёбанда шартгузорӣ шудааст:

1. Вискозитет дар суръати shear-и сифр, η₀,
2. Доимии вақт, m,
3. Индекси shear-thinning, n,
4. Loss tangent, tan(δ),
5. Шиддати irradiation, E_e,
6. Миқдори гурӯҳи phenolic, D_Ph.

Барои η₀ ва m табдили logarithmic, барои D_Ph табдили log1p, ки арзишҳои сифрро нигоҳ медорад, татбиқ шудааст. Ҳамаи тағйирёбандаҳои шартӣ бо миёна ва инҳирофи стандартие, ки танҳо аз маҷмӯаи омӯзиш ҳисоб шудаанд, стандартӣ карда шуданд.

Меъмории модел чӣ гуна аст?

Воридот тасвирҳои RGB-и 128×128 pixel мебошанд. Encoder бо чор қабати конволютсионии дуандоза, ки андозаи kernel 4 ва stride 2 доранд, тасвирро то feature map-ҳои 8×8 хурд кардааст. Дар қабатҳо batch normalization ва activation-и ReLU истифода шудааст.

Вектори шартии шашандоза аз қабати fully connected гузаронида шуда, бо хусусиятҳои тасвир якҷо шудааст. Фазои latent-и модел 32 андоза дорад. Decoder бо чор марҳилаи bilinear upsampling ва конволютсияи 3×3 тасвирро боз то 128×128 pixel калон карда, дар қабати ниҳоӣ activation-и sigmoid истифода кардааст.

Додаҳо пеш аз ҳама гуна preprocessing ба %75 омӯзиш, %15 validation ва %10 test тақсим шудаанд. Horizontal flipping ва rotation-ҳои 0°, 90°, 180° ва 270° танҳо ба маҷмӯаи омӯзиш татбиқ шуданд. Optimizer-и Adam, learning rate-и 10⁻³, batch size-и 64 ва early stopping patience-и 15 epoch истифода шуданд.

Чаро β=5 интихоб шуд?

Муҳаққиқон дар арзишҳои гуногуни β саҳми ҳар андозаи latent-ро ба тақсимоти KL таҳлил карданд. Дар β=5 пас аз андозаи фаъоли нӯҳум арзиши KL-и андозаҳои боқимонда ба таври равшан аз 0,5 поён рафт. Ин ҳолат нишон дод, ки аз фазои 32-андоза тақрибан нӯҳ андоза маълумоти намоён дар бораи тасвир доранд.

Азбаски омилҳои асосии тавлидкунанда пурра маълум набуданд, стандартҳои disentanglement score ҳисоб карда нашуданд. Аз ин рӯ, хулосаи “фазои latent комилан disentangled аст” бароварда намешавад. Арзиши KL барои ҳар андоза ва гузаришҳои визуалӣ ҳамчун proxy-и interpretability истифода шуданд.

Иҷроиши бозсозии тасвир чӣ гуна аст?

Маҷмӯаи мустақили test аз 77 тасвир иборат буд. Хатои миёнаи бозсозӣ:

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

Монандии миёнаи сохторӣ:

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

гузориш шудааст.

Дар тасвирҳои воқеӣ–тавлидшудаи саҳифаи 7 модел фарқҳои умумии ғафсии filament, кушодагии сӯрох ва сохтори канорҳои сиёҳҳои ALG-Ph, HA-Ph ва омехтаро нигоҳ дошт. Тасвирҳои тавлидшуда нусхаҳои якхелаи тасвирҳои воқеӣ нестанд; номунтазамӣ ва ҷузъиёти хурд ҳамвор шудаанд.

Ҳангоми тағйир додани шароит модел чӣ гуна вокуниш нишон дод?

Ҳангоми собит нигоҳ доштани дигар тағйирёбандаҳо ва тағйир додани як тағйирёбандаи шартӣ, тасвирҳо ба ҷойи ҷаҳишҳои ногаҳонӣ ва номунтазам гузаришҳои тадриҷии морфологӣ нишон доданд.

• Бо зиёд шудани шиддати нур ва миқдори phenolic аз сохторҳои паҳншуда бо сӯрохҳои баста ба сохторҳои сӯрохашон кушодатар ва filament-ҳояшон бориктар гузариш дида шуд.
• Арзишҳои η₀, m ва n ғафсии filament ва тартиби сӯрохҳоро тағйир доданд.
• Ҳангоми паст шудани tan(δ) хатҳои эластиктар, ба тарҳ наздиктар ва камтар паҳншуда тавлид шуданд.

Ин рафторҳо дастгирӣ мекунанд, ки модел танҳо тасвирҳоро азёд накардааст, балки қонуниятҳои дохили дода байни шароит ва морфологияро омӯхтааст. Аммо сабабияти физикиро танҳо аз рӯи визуалҳои модели тавлидӣ исбот кардан мумкин нест.

Чаро фазои latent шарҳшаванда ҳисобида шуд?

Векторҳои миёнаи latent-и тасвирҳои воқеӣ, ки аз encoder гирифта шудаанд, бо UMAP ба ду андоза коҳиш дода шуданд. Дида шуд, ки тағйирёбандаҳо ба монанди шиддати нур, вискозитет, миқдори phenolic ва масоҳати сохтор дар manifold тақсимоти тадриҷӣ ба вуҷуд меоранд.

Гузаришҳо дар андозаҳои latent-и интихобшуда байни −3σ ва +3σ ба хусусиятҳои гуногуни визуалӣ таъсир карданд:

• z8: Пуршавӣ ё каҷшавии сӯрохҳо,
• z23: Ғафсии filament-ҳои уфуқӣ ва амудӣ,
• z24: Шиддати pixel ва масоҳати умумии сохтор.

Дар тасвирҳои саҳифаи 9 ин тағйирот самтҳои монанд ба гуногунии морфологии чопҳои воқеиро нишон доданд. Бо вуҷуди ин, исбот нашудааст, ки як андозаи latent танҳо як тағйирёбандаи физикиро ифода мекунад. Муҳаққиқон низ мегӯянд, ки пайваст кардани баъзе андозаҳои latent ба параметрҳои мушаххаси чоп душвор аст.

Гуногунии тавлидӣ чӣ маъно дорад?

Ҳангоми интихоби намунаҳои гуногуни latent бо як вектори шартӣ модел дар шакли сӯрох, ғафсии filament ва масоҳати сохтор фарқҳои хурд тавлид кардааст. Sampling temperature-и T бо тақсимоти зерин истифода шудааст:

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

Дар таҳқиқот арзиши асосии тавлид T=0,7 мебошад. Ҳарорати баландтар тасвирҳои тағйирёбанда ва номунтазамтар, ҳарорати пасттар бошад тасвирҳои устувор ва ба ҳам монандтар тавлид мекунад.

Ин гуногунӣ тақсимоти таҷрибавии такрорҳои физикии чоп нест. Азбаски дар ҳамон шароит шумораи кофии такрори воқеии чоп иҷро нашудааст, наметавон гуфт, ки variation-и аз ҷониби модел тавлидшуда номуайянии воқеии истеҳсолро миқдоран ифода мекунад.

Ҳалқаи пӯшидаи рақамӣ чӣ гуна кор мекунад?

Ҷараёни саҳифаи 10 чор модели асосиро муттаҳид мекунад:

1. SVR: Аз таркиби пешниҳодшудаи ALG-Ph ва HA-Ph хусусиятҳои реологиро пешгӯӣ мекунад.
2. β-CVAE: Дар шароити таркиб, реология, нур ва миқдори phenolic 30 тасвири эҳтимолии чоп тавлид мекунад.
3. CNN-и бисёрвазифа: Тасвирҳоро аз рӯи панҷ меъёри чоппазирӣ арзёбӣ мекунад.
4. Оптимизатсияи Байесӣ: Таркиби нави сиёҳро, ки loss-и умумиро кам мекунад, интихоб карда, ҳалқаро такрор менамояд.

Ин раванд ба принтер фармони ислоҳи физикӣ намефиристад. “Ҳалқаи пӯшида” маънои онро дорад, ки баромади модел боз ба арзёбии ба модел асосёфта ворид мешавад ва арзёбӣ пешниҳоди шароити навбатиро тағйир медиҳад.

Кадом меъёрҳои чоппазирӣ истифода шуданд?

CNN панҷ баромад тавлид кардааст:

• Комилии filament: Оё хатҳои grid бефосила ҳастанд ё не,
• Паҳнои миёнаи filament,
• Масоҳати сохтор,
• Коэффисиенти монандии Dice,
• Масофаи миёнаи Hausdorff.

Коэффисиенти монандии Dice ҳампӯшии mask-и сохтори чопшуда ва тарҳи истинодиро чен мекунад:

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

Бо наздик шудани арзиш ба 1 ҳампӯшии ду mask зиёд мешавад.

Масофаи Hausdorff калонтарин фарқи наздиктарин нуқтаро байни ду маҷмӯаи сарҳадӣ чен мекунад:

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

HD-и пасттар нишон медиҳад, ки сарҳадҳои сӯрох ва filament ба геометрияи истинодӣ наздиктаранд.

CNN бо кадом додаҳо омӯзонида шуд?

CNN-и бисёрвазифа бо 8.475 тасвири grayscale, ки аз ҷониби β-CVAE тавлид шудаанд, омӯзонида шуд. Додаҳо ба %70 омӯзиш, %20 validation ва %10 test тақсим шуданд. Ба тасвирҳои омӯзиш rotation-и чорсамта татбиқ гардид.

Танаи умумӣ аз се қабати конволютсионӣ иборат буд. Сипас ду сарлавҳаи баромад истифода шуд:

• Сарлавҳаи регрессия барои масоҳат, паҳнои filament, HD ва DSC,
• Сарлавҳаи таснифоти sigmoid барои эҳтимолияти комилӣ.

Дар ин ҷо маҳдудияти муҳим мавҷуд аст: намунаҳои омӯзишии CNN тасвирҳои физикӣ нестанд, балки тасвирҳои тавлидкардаи модели генеративӣ мебошанд. Аз ин рӯ, хатогиҳои систематикии β-CVAE метавонанд ба арзёбии CNN низ интиқол ёбанд.

Функсияи ҳадафи оптимизатсияи Байесӣ чист?

Loss-и оптимизатсия аз ҷузъҳои зерин ташкил шудааст:

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

Дар ин ҷо p_c эҳтимолияти комилӣ мебошад. L_A ва L_W ҷазоҳои квадратӣ мебошанд, ки вақте масоҳати сохтор ва паҳнои filament аз диапазонҳои қабулшуда берун мешаванд, зиёд мегарданд.

Диапазонҳои қабул:

• Масоҳати сохтор: 40–65 mm²,
• Паҳнои filament: 0,3–0,5 mm.

Вақте эҳтимолияти комилӣ аз 0,5 поён меравад, илова бар ин 50 воҳид ҷазо татбиқ шудааст. Вазнҳо барои DSC ва HD 1,0; барои комилӣ 5,0; барои масоҳат ва паҳноӣ 1,0 муайян шудаанд.

Шиддати нур аз %0–100 бо афзоишҳои 10-холӣ арзёбӣ шудааст. Дар ҳар сатҳи нур 20 намунаи ибтидоӣ ва дар маҷмӯъ 200 итератсияи оптимизатсияи Байесӣ истифода шудааст.

Оптимизатсияи рақамӣ кадом шароитҳоро ёфт?

Таркибҳои оптималӣ вобаста ба сатҳи нур асосан дар диапазонҳои зерин ҷамъ шудаанд:

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

Дар шиддатҳои нури таҳқиқшуда:

• Эҳтимолияти комилӣ аз %90 боло,
• Масоҳати сохтор тақрибан 60–70 mm²,
• Паҳнои filament тақрибан 0,4–0,5 mm,
• DSC аз 0,8 боло,
• HD аз 0,1 поён

мондааст.

Ин арзишҳо ченкуниҳои намунаҳои оптималии ба таври физикӣ чопшуда нестанд, балки натиҷаҳои пешгӯишудаи CNN аз тасвирҳои тавлидкардаи модел мебошанд. Силсилаи алоҳидаи таҷрибаҳо, ки рецепти оптималиро бо чопҳои воқеӣ ба таври систематикӣ тасдиқ мекунад, пешниҳод нашудааст.

Transfer learning дар кадом шаклҳои нав санҷида шуд?

Вазнҳои β-CVAE, ки дар сохторҳои grid омӯзонида шуда буданд, барои се геометрияи нав ҳамчун нуқтаи оғоз истифода шуданд:

Моделҳо дар тӯли 50 epoch бо learning rate-и 10⁻³ ва batch size-и 16 fine-tune шуданд. Тасвирҳои тавлидшуда сарҳади умумии барги ginkgo, кунҷҳои ситора ва симметрияи дутарафаи шакли бинӣ нигоҳ доштанд.

Ин натиҷа маънои онро надорад, ки ҳамаи хусусиятҳои дар grid-ҳо омӯхташуда ба геометрияҳои нав комилан интиқол ёфтаанд. Хусусан тасвирҳои бинӣ танҳо морфологияи дуандозаи намои болоиро ифода мекунанд; геометрияи ҳаҷмии сатҳи воқеии сеандозаи биниро модел намекунанд.

Таҳқиқот кадом натиҷаҳоро дастгирӣ мекунад?

• β-CVAE-и шартгузоришуда бо реологияи сиёҳ, миқдори phenolic ва шиддати нур метавонад тасвирҳои дуандозаи морфологиро, ки ба чопҳои физикӣ аз ҷиҳати визуалӣ монанданд, тавлид кунад.
• Баъзе самтҳои фазои latent-и модел бо хусусиятҳои визуалии фаҳмо, монанди пуршавии сӯрохҳо, паҳнои filament ва масоҳати сохтор алоқаманданд.
• SVR метавонад дар диапазони таркиби сиёҳи намунагирифташуда сатҳҳои ҳамвори interpolation барои тағйирёбандаҳои реологӣ таъмин кунад.
• Бо муттаҳид кардани модели тавлидӣ, CNN ва оптимизатсияи Байесӣ таркибҳои сиёҳро дар муҳити рақамӣ скан кардан мумкин аст.
• Модели пешакӣ омӯзонидашуда метавонад бо маҷмӯаҳои хурди дода ба геометрияҳои нави тарҳи дуандоза мутобиқ карда шавад.

Таҳқиқот чиро исбот намекунад?

• Нишон намедиҳад, ки бофтаҳои дорои ҳуҷайраҳои зинда бомуваффақият истеҳсол шудаанд.
• Нишон намедиҳад, ки модел зиндамонии ҳуҷайра, фарқшавӣ, афзоиш ё фаъолияти бофтаро пешгӯӣ мекунад.
• Исбот намекунад, ки рецепти пешниҳодшударо бе таҷрибаи физикӣ бехатар истифода бурдан мумкин аст.
• Нишон намедиҳад, ки ҳалқаи пӯшида принтерро дар вақти воқеӣ идора мекунад.
• Нишон намедиҳад, ки иҷроиши тасвири дуандоза ба дақиқии шакли ҳаҷмии сеандоза баробар аст.
• Исбот намекунад, ки модел ба полимерҳо, crosslinker-ҳо, принтерҳо, nozzle-ҳо ва лабораторияҳои гуногун мустақиман умумӣ мешавад.
• Нишон намедиҳад, ки гуногунии байни тасвирҳои тавлидшуда такрорпазирии воқеии чопи физикиро ифода мекунад.
• Низоми омода барои истифодаи клиникӣ, истеҳсоли узв ё истеҳсоли бофтаи зиндаи ба бемор хос пешниҳод намекунад.

Маҳдудиятҳои асосии таҳқиқот кадомҳоянд?

Модел бо тасвирҳои дуандоза кор мекунад. Баландии filament, фурӯравии байниқабатӣ, деформатсияи ҳаҷмӣ ва пайвастагии дохилии сӯрохҳо мустақиман модел нашудаанд. Муҳаққиқон мегӯянд, ки дар оянда бояд ба voxel, point cloud ё ифодаҳои ҳаҷмии ба PointNet монанд гузашт.

Додаҳо ба як низоми crosslinking бо нури намоён ва майдони маҳдуди таркиб асос ёфтаанд. Агар принтер, nozzle, манбаи нур ё полимер тағйир ёбад, модел метавонад бе омӯзиши дубора натиҷаи боэътимод надиҳад.

Ҳалқаи пӯшида пеш аз чопи физикӣ иҷро шудааст. Ин низоме нест, ки аз рӯи тасвири камера ҳангоми қабатсозӣ ислоҳ ворид кунад. Барои ҳалқаи пӯшидаи воқеӣ камераи ба принтер пайваст, мониторинги қабатӣ, шиносоии хатои online ва ислоҳи фаврии раванд заруранд.

Маҷмӯаи додаҳои арзёбии CNN аз тасвирҳои тавлидӣ иборат аст. Генератор ва арзёбкунанда ҷузъҳои як занҷири моделсозӣ буданашон эҳтимоли инҳирофи умумӣ аз воқеияти физикиро ба вуҷуд меорад. Аз ин рӯ, нуқтаҳои оптималии пешниҳодшуда бояд бо чопҳои воқеӣ алоҳида тасдиқ шаванд.

Усул ва натиҷаҳои таҳқиқот

Маводи физикӣ ва ченкунии реология

Шароити чопи 3Б

Пешкоркарди тасвир

Замина ва қисмҳои нолозими тасвирҳои чоп бо Segment Anything Model 2 версияи 2.1 ҷудо карда шуда, бо OpenCV 4.10.0 дар заминаи сафеди якхела ҷойгир шуданд. Маҷмӯаҳои омӯзиш, validation ва test пеш аз коркарди тасвир ҷудо карда шуданд, то data leakage кам шавад.

Беҳтарин hyperparameter-ҳои моделҳои SVR

Танзимоти омӯзиши β-CVAE

Натиҷаҳои асосии бозсозӣ

Танзимоти CNN-и бисёрвазифа

Танзимоти оптимизатсияи Байесӣ

Тафсири дурусти баромадҳои оптимизатсия

Занҷири модел воситаи сканкуниро пешниҳод мекунад, ки метавонад дар диапазонҳои муайяни сиёҳ номзадҳои аз ҷиҳати визуалӣ мувофиқро пеш аз чопи физикӣ рейтингбандӣ кунад. Қавитарин истифодаи эҳтимолии он ин аст, ки ба ҷойи санҷиши ҳамаи комбинатсияҳо дар лаборатория минтақаҳои холашон паст хориҷ карда шуда, тасдиқи физикӣ ба фазои маҳдудтари таркиб равона карда шавад.

Таҳқиқот на аз байн бурдани таҷрибаи физикӣ, балки интихоби огоҳонаи таҷрибаҳоро дастгирӣ мекунад. Тасвири тавлидӣ, холи CNN ё optimum-и Байесӣ ба танҳоӣ нишон намедиҳанд, ки чопи воқеӣ муваффақ, ба ҳуҷайра мувофиқ ё аз ҷиҳати биологӣ функсионалӣ аст.

Бозтавлидпазирӣ

Муҳаққиқон гузориш додаанд, ки додаҳои дастгирии таҳқиқот дар Zenodo ва кодҳои таҳлили дода ва омӯзиши мошинӣ дар GitHub кушодаанд. Ин ҳолат санҷиши мустақили меъморӣ, коркарди дода ва қадамҳои оптимизатсияро осон мекунад. Аммо барои он ки лабораторияи дигар ҳамон натиҷаҳоро ба даст орад, маводи химиявӣ, калибровкаи принтер, геометрияи нур, низоми тасвиргирӣ ва ченкунии реология низ бояд мувофиқ бошанд.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: Generative AI-guided in silico closed-loop optimisation of deposition morphology for 3D bioprinting applications

Муаллифон: Colin Zhang, Kelum Chamara Manoj Lakmal Elvitigala ва Shinji Sakai

Тартиби муаллифон: Colin Zhang; Kelum Chamara Manoj Lakmal Elvitigala; Shinji Sakai

Маълумоти саҳми баробар: Дар таҳқиқот изҳороти саҳми баробар ё ҳаммуаллифи аввал вуҷуд надорад.

Муаллифи масъул: Shinji Sakai

Муассиса: 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

Маҷалла: Virtual and Physical Prototyping

Ҷилд ва шумора: 21(1)

Рақами мақола: e2671497

Ношир: Informa UK Limited, аз номи Taylor & Francis Group

Санаи пешниҳод: 14 Март 2026

Санаи қабул: 5 Май 2026

Санаи нашр: 21 Май 2026

Соли нашр: 2026

Навъи манбаъ: Мақолаи таҳқиқотии таҷрибавӣ, ки таҷрибаҳои физикии чопи гидрогелро бо зеҳни сунъии тавлидӣ, арзёбии тасвир ва оптимизатсияи рақамӣ муттаҳид мекунад

Вазъи ҳамтоёнӣ: Таҳқиқот аз арзёбии ҳамтоён гузашта ва ҳамчун версияи нашршудаи маҷалла чоп шудааст.

Вазъи дастрасии кушода: Зери иҷозатномаи Creative Commons Attribution 4.0 дастрасии кушода дорад.

Пайванди расмӣ:Саҳифаи расмии мақолаи Taylor & Francis

Маблағгузорӣ: Таҳқиқот аз ҷониби Japan Science and Technology Agency дар доираи Adaptable and Seamless Technology Transfer Program through Target-driven R&D бо дастгирии рақами JPMJTR234C маблағгузорӣ шудааст.

Бархӯрди манфиатҳо: Муҳаққиқон бархӯрди эҳтимолии манфиатҳоро гузориш накардаанд.

Дода ва код: Дар таҳқиқот гуфта шудааст, ки додаҳо дар Zenodo ва кодҳои таҳлил ва омӯзиши мошинӣ дар GitHub ба таври кушода мубодила шудаанд.

Ин мақолаи тоҷикӣ бо баррасии тамоми матн, муодилаҳо, ҷадвалҳо, параметрҳои таҷрибавӣ ва тасвирҳои таҳқиқоти аслии 19-саҳифагӣ омода шудааст. Усули илмӣ, ҳаҷми дода, танзимоти модел ва натиҷаҳо танҳо ба маълумоти дар таҳқиқот гузоришшуда асос меёбанд. Манбаъҳои беруна танҳо барои тасдиқи шахсияти нашр, версияи нашршуда, маҷалла, ношир, DOI ва санаи нашр истифода шудаанд.

Доираи “3Б-биочоп”-и таҳқиқот ба чопҳои гидрогелии бе ҳуҷайраи зинда маҳдуд аст. Он ки формулаҳои истифодашуда ба шароити қаблан гузоришшудаи ба ҳуҷайра мувофиқ асос ёфтаанд, маънои онро надорад, ки дар ин таҷрибаҳо зиндамонии ҳуҷайра ё фаъолияти бофта тасдиқ шудааст. Ба ҳамин монанд, ҳалқаи пӯшидаи in silico низоми идоракуние нест, ки ба принтер дар вақти воқеӣ бозхӯрди физикӣ медиҳад.