Ushbu tadqiqot ekstruziya asosidagi 3B biobosmada gidrogel siyoh tarkibi va bosma sharoitlariga ko‘ra hosil bo‘ladigan tuzilmaning tasvirini bosmadan oldin yaratish va mos sharoitlarni raqamli muhitda aniqlash maqsadida tushuntiriladigan generativ sun’iy intellekt doirasini ishlab chiqqan. Tadqiqotchilar alginat-fenol va gialuron kislotasi-fenol asosidagi siyohlar bilan jismoniy bosma tajribalarini o‘tkazgan; siyohning reologik xususiyatlarini tayanch vektor regressiyasi bilan bashorat qilgan; oltita shart o‘zgaruvchisidan foydalanadigan β-shartli variatsion avtoenkoder yordamida bosilgan tuzilma tasvirlarini yaratgan va tasvirlarni beshta bosib chiqariluvchanlik mezoni bo‘yicha baholaydigan ko‘p vazifali konvolyutsion neyron tarmog‘ini qurgan. Ushbu komponentlar Bayes optimallashtirishi bilan birlashtirilib, siyoh tarkibi iterativ ravishda yangilanadigan in silico yopiq sikl yaratilgan.

Mustaqil test to‘plamida β-CVAE modelining o‘rtacha qayta qurish xatosi 0,007, o‘rtacha strukturaviy o‘xshashlik qiymati esa 0,839 deb bildirilgan. Model haqiqiy bosmalarda kuzatiladigan g‘ovak ochiqligi, filament qalinligi, chetlarning yumaloqligi, rang intensivligi va yoyilish kabi morfologik xususiyatlarni shartlarga bog‘liq holda qayta hosil qila olgan. Bayes optimallashtirishi bilan aniqlangan sharoitlarda to‘liqlik ehtimoli ko‘rib chiqilgan yorug‘lik intensivliklarida %90 dan yuqori, Dice o‘xshashlik koeffitsiyenti 0,8 dan yuqori va Hausdorff masofasi 0,1 dan past bo‘lib qolgan. Transfer o‘rganish oldindan panjara tuzilmalarida o‘qitilgan modelning 69–106 namunadan iborat kichik ma’lumotlar to‘plamlari bilan ginkgo bargi, ichi bo‘sh besh qirrali yulduz va inson burni shakllariga moslashtirilishi mumkinligini ko‘rsatgan.

Natijalar generativ model barcha jismoniy tajribalarni almashtirganini ko‘rsatmaydi. Tadqiqotdagi optimallashtirish sikli real vaqtli printer boshqaruvi emas, balki model yaratgan ikki o‘lchovli tasvirlar ustida bajarilgan raqamli skanerlashdir. Tajribalarda tirik hujayralar ishlatilmagan; hujayra hayotiyligi, ko‘payishi, differensiyalanishi, to‘qima funksiyasi va uzoq muddatli biologik barqarorlik baholanmagan. Model, shuningdek, faqat muayyan ALG-Ph/HA-Ph siyohlari, Ru/SPS krosslinklash tizimi, 450 nm yorug‘lik va ishlatilgan printer sharoitlarida ishlab chiqilgan.

Turkiya nuqtai nazaridan: Tadqiqot Turkiyada biomateriallar, to‘qima muhandisligi, regenerativ tibbiyot va qo‘shimcha ishlab chiqarish sohalarida ishlayotgan tadqiqot laboratoriyalari uchun yangi biosiyoh ishlab chiqish jarayonidagi tajribalar sonini kamaytirishi mumkin bo‘lgan usul namunasini taqdim etadi. Mahalliy qo‘llash uchun Turkiyada mavjud polimerlar, fotoinitsiatorlar, bioprinterlar va yorug‘lik manbalari bilan yangi ma’lumotlar to‘planishi; model turli qurilmalar va laboratoriyalar o‘rtasida tashqi tasdiqlanishi; hujayra saqlovchi formulalarda hayotiylik, ko‘payish va biologik funksiya testlari bajarilishi kerak. Klinik yoki sanoat qo‘llanish ko‘rib chiqilsa steril ishlab chiqarish, biomoslik, sifat nazorati, etik jarayonlar va tegishli tartibga soluvchi talablar alohida baholanishi lozim. Ushbu tadqiqotdan inson to‘qimasi xavfsiz tarzda ishlab chiqarilishi mumkin, model Turk laboratoriyalarida ayni aniqlik bilan ishlaydi yoki jismoniy tasdiqlashsiz mos biosiyoh retseptini bera oladi degan xulosa chiqarib bo‘lmaydi.

Tadqiqot hal qilmoqchi bo‘lgan muammo nima?

Ekstruziya asosidagi 3B biobosmada kompyuter yordamida yaratilgan dizaynning bosmadan keyin ayni shaklda saqlanishi faqat siyohning kimyoviy tarkibiga bog‘liq emas. Siyohning yopishqoqligi, siljish ta’sirida suyulish xatti-harakati, elastik va viskoz komponentlari, krosslinker miqdori, yorug‘lik intensivligi, nozul xususiyatlari va harakat tezligi birgalikda cho‘ktirish morfologiyasini belgilaydi.

Juda suyuq gidrogel sirtga yoyilib, filamentlarning qalinlashishi va g‘ovaklarning yopilishiga olib kelishi mumkin. Haddan tashqari qattiq yoki tez krosslinklanadigan tizim esa uzilishli ekstruziya, notekis chiziqlar yoki filamentlarning yetarli birikmasligini yuzaga keltirishi mumkin. Mos bosma oynasini an’anaviy usulda ko‘plab formulalarni tayyorlab va ularning har birini jismoniy bosib qidirish vaqt, material va mehnat talab qiladi.

Oldingi tasniflash va regressiya modellari bosmaning muvaffaqiyatli bo‘lish-bo‘lmasligini yoki muayyan sonli mezonni bashorat qilishi mumkin. Biroq bu modellar ko‘pincha natijani sinf yoki son shaklida beradi; bosmadan chiqishi kutilayotgan shaklni bevosita ko‘rsatmaydi. Shu sababli tadqiqotchilar “Bu sharoitlarda bosilgan tuzilma qanday ko‘rinadi?” savoliga ham javob bera oladigan shartli tasvir yaratish modelini ishlab chiqqan.

Nega tadqiqot haqiqiy eksperimental ish hisoblanadi?

Model faqat mavjud nashrlardan yig‘ilgan natijalar bilan o‘qitilmagan. Tadqiqotchilar ALG-Ph va HA-Ph siyohlarini tayyorlagan, reometr bilan material xususiyatlarini o‘lchagan, bir qatlamli panjaralarni jismoniy bioprinter bilan bosgan va bosmalar tasvirlarini to‘plagan. Jismoniy tajribalarda siyoh tarkibi bilan 450 nm yorug‘lik intensivligi o‘zgartirilgan, bosilgan tuzilmalarning maydoni va geometrik xususiyatlari qayd etilgan.

Tadqiqotning 4-sahifasidagi sxema jismoniy bosma bilan sun’iy intellekt modeli orasidagi bog‘lanishni ko‘rsatadi. Siyoh reologiyasi, fenolik guruh miqdori va yorug‘lik intensivligi shart vektoriga o‘tkaziladi; jismoniy tuzilma tasviri enkoderga beriladi; model bu ma’lumotlarni yashirin fazoda ifodalab, yangi bosma tasvirlarini yaratadi.

Ko‘rinadigan yorug‘lik bilan krosslinklanadigan gidrogel tizimi qanday ishlaydi?

Siyoh tizimi fenol guruhlari bilan funksionallashtirilgan alginat va gialuron kislotasidan tashkil topgan. Formulaga 2,0 mM tris(2,2'-bipiridil)ruteniy(II) kompleksi va 2,0 mM natriy persulfat qo‘shilgan.

450 nm ko‘rinadigan yorug‘lik ruteniy kompleksini qo‘zg‘atadi. Qo‘zg‘algan kompleks persulfatning faollashuvini ishga tushiradi va fenol guruhlaridan fenoksi radikallari hosil bo‘lishiga yordam beradi. Radikallarning juftlanishi polimer zanjirlari o‘rtasida kovalent bog‘lar hosil qiladi. Shu tariqa ekstruziyadan chiqqan siyoh yorug‘lik ostida tezda gel holatiga keladi.

Yorug‘lik intensivligi past bo‘lsa krosslinklanish yetarli bo‘lmasligi va gidrogel sirtga ko‘proq yoyilishi mumkin. Intensivlik oshganda qattiqroq va shaklini saqlovchi filamentlar hosil bo‘lishi mumkin. Shu bilan birga, tadqiqot yorug‘lik intensivligi ta’sirini siyoh reologiyasi va fenolik guruh tarkibi bilan birgalikda baholash kerakligini ko‘rsatadi.

Qaysi reologik xususiyatlar modellashtirilgan?

Siljish tezligiga bog‘liq ko‘rinadigan yopishqoqlik Cross Power Law yordamida modellashtirilgan:

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

Bu tenglamada:

• η₀: Nolga yaqin siljish tezligidagi ko‘rinadigan yopishqoqlikni,
• η_∞: Juda yuqori siljish tezligidagi yopishqoqlikni,
• m: Siljish ta’sirida suyulishga o‘tish xatti-harakati bilan bog‘liq vaqt doimiysini,
• n: Siljish ta’sirida suyulish darajasini,
• γ̇: Siljish tezligini

ifodalaydi. Tadqiqotda η_∞ qiymati 10⁻³ Pa·s qilib sobitlangan.

Materialning elastik va viskoz xatti-harakati esa yo‘qotish tangensi bilan ifodalangan:

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

Bu yerda G′ saqlash moduli, G″ esa yo‘qotish modulidir. Pastroq tan(δ) elastik komponentning nisbatan kuchayganini; yuqoriroq qiymat esa viskoz xatti-harakat ortganini ko‘rsatadi.

Tayanch vektor regressiyasi nima uchun ishlatilgan?

Har bir yangi siyoh tarkibi uchun to‘liq reologiya tajribasini o‘tkazish o‘rniga ALG-Ph va HA-Ph foizlaridan η₀, m, n va tan(δ) qiymatlarini bashorat qiladigan to‘rtta alohida tayanch vektor regressiya modeli qurilgan. Har bir reologik chiqish uchun 45 ta ma’lumot nuqtasi ishlatilgan va radial bazis funksiyasi yadrosi tanlangan.

Modellarning regularizatsiya, yadro va epsilon parametrlari 10 qavatli kross-validatsiya bilan aniqlangan. Ushbu modellar faqat eksperimental ravishda namuna olingan ALG-Ph %0–5 va HA-Ph %0–3 tarkib diapazonida interpolatsiya uchun ishlatilgan; diapazondan tashqariga ekstrapolyatsiya qilinmagan.

Reologiya sirtlari ko‘rsatilgan 5-sahifada η₀ va m qiymatlari polimer konsentratsiyasi bilan oshgani ko‘rinadi. η₀ taxminan 2,6×10⁻² bilan 1,2×10³ Pa·s, m esa 3,1×10⁻⁴ bilan 6,0 soniya oralig‘ida o‘zgargan. Siljish ta’sirida suyulish indeksi 0,62–0,69 oralig‘ida qolgan.

O‘zgaruvchilar o‘rtasida qanday munosabatlar topilgan?

766 namuna asosida hisoblangan Pearson korrelyatsiya matritsasida η₀ bilan m o‘rtasida juda kuchli ijobiy munosabat topilgan:

\[ r=0{,}99 \]

Siljish ta’sirida suyulish indeksi n bilan ALG-Ph miqdori o‘rtasida kuchli ijobiy munosabat mavjud:

\[ r=0{,}85 \]

n bilan HA-Ph miqdori o‘rtasidagi munosabat esa zaif va manfiy:

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

Bosilgan panjara maydoni A_grid; η₀, m, n, fenolik guruh miqdori va polimer konsentratsiyalari bilan o‘rtacha darajadagi manfiy munosabatlarni ko‘rsatgan. Bu holat yopishqoqligi yuqoriroq va kuchliroq krosslinklanadigan siyohlarning sirtga kamroq yoyilishi bilan mos keladi. Yorug‘lik intensivligi bilan maydon o‘rtasidagi munosabat zaif bo‘lib qolgan:

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

Bu korrelyatsiyalar sababiylikning dalili emas. Siyoh tarkibi bir vaqtning o‘zida bir nechta reologik va kimyoviy xususiyatni o‘zgartirgani sababli ta’sirlar bir-biridan to‘liq mustaqil emas.

β-shartli variatsion avtoenkoder qanday ishlaydi?

β-CVAE ikki asosiy tarmoqdan tashkil topgan. Enkoder haqiqiy bosma tasviri va shart vektorini past o‘lchamli ehtimollik ifodasiga o‘tkazadi. Dekoder esa bu yashirin ifoda bilan shart vektoridan foydalanib bosma tasvirini qayta quradi yoki yangi tasvir yaratadi.

Enkoder har bir namuna uchun o‘rtacha μ va standart og‘ish σ vektorlarini ishlab chiqaradi. Yashirin o‘zgaruvchi qayta parametrizatsiya usuli bilan namunalanadi:

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

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

Bu jarayon tasodifiy namunalash mavjud bo‘lsa ham gradientlarning tarmoq bo‘ylab uzatilishiga imkon beradi.

Modelning yo‘qotish funksiyasi ikki komponentdan iborat:

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

Birinchi komponent haqiqiy tasvir bilan qayta qurilgan tasvir o‘rtasidagi farqni kamaytiradi. Tadqiqotda bu qism o‘rtacha kvadrat xato bilan taxminan hisoblangan:

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

Ikkinchi komponent enkoder hosil qilgan taqsimotning standart normal prior taqsimotga yaqinlashishini ta’minlaydi:

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

β koeffitsiyenti qayta qurish aniqligi bilan yashirin fazoning tartibliligi o‘rtasidagi muvozanatni belgilaydi. Juda past β yaxshi tasvir nusxalarini yaratishi mumkin, biroq murakkab va talqin qilish qiyin bo‘lgan yashirin fazoni hosil qilishi mumkin. Juda yuqori β esa yashirin o‘zgaruvchilarni tartibga solish jarayonida tasvir tafsilotlarini yo‘qotishi mumkin.

Shart vektorida qanday ma’lumotlar mavjud?

Model oltita o‘zgaruvchi bilan shartlangan:

1. Nol siljish tezligidagi yopishqoqlik, η₀,
2. Vaqt doimiysi, m,
3. Siljish ta’sirida suyulish indeksi, n,
4. Yo‘qotish tangensi, tan(δ),
5. Nurlanish intensivligi, E_e,
6. Fenolik guruh tarkibi, D_Ph.

η₀ va m uchun logarifmik transformatsiya, D_Ph uchun nol qiymatlarni saqlay oladigan log1p transformatsiyasi qo‘llangan. Barcha shart o‘zgaruvchilari faqat o‘qitish to‘plamidan hisoblangan o‘rtacha va standart og‘ish bilan standartlashtirilgan.

Model arxitekturasi qanday?

Kirishlar 128×128 piksel RGB tasvirlardir. Enkoder yadro o‘lchami 4 va qadam qiymati 2 bo‘lgan to‘rtta ikki o‘lchamli konvolyutsion qatlam orqali tasvirni 8×8 xususiyat xaritalarigacha kichraytirgan. Qatlamlarda batch normalizatsiya va ReLU faollashtirish ishlatilgan.

Olti o‘lchamli shart vektori to‘liq bog‘langan qatlamdan o‘tkazilib, tasvir xususiyatlari bilan birlashtirilgan. Modelning yashirin fazosi 32 o‘lchamli. Dekoder to‘rtta bilinear kattalashtirish va 3×3 konvolyutsiya bosqichi yordamida tasvirni qayta 128×128 pikselgacha kattalashtirgan, yakuniy qatlamda sigmoid faollashtirish ishlatilgan.

Ma’lumotlar hech qanday oldindan qayta ishlashdan oldin %75 o‘qitish, %15 validatsiya va %10 test tarzida ajratilgan. Gorizontal akslantirish bilan 0°, 90°, 180° va 270° aylantirishlar faqat o‘qitish to‘plamiga qo‘llangan. Adam optimizatori, 10⁻³ o‘rganish tezligi, 64 batch o‘lchami va 15 epoch erta to‘xtatish sabri ishlatilgan.

Nega β=5 tanlangan?

Tadqiqotchilar turli β qiymatlarida har bir yashirin o‘lchamning KL ajralishiga qo‘shgan hissasini ko‘rib chiqqan. β=5 ostida to‘qqizinchi faol o‘lchamdan keyin qolgan o‘lchamlarning KL qiymati 0,5 dan aniq pastlagan. Bu holat 32 o‘lchamli fazoning taxminan to‘qqiz o‘lchami tasvirga oid aniq ma’lumot tashishini ko‘rsatgan.

Ma’lum asosiy generativ omillar to‘liq ta’riflanmagani sababli standart disentanglement ballari hisoblanmagan. Shu sababli “yashirin fazo to‘liq ajratilgan” degan xulosa chiqarilmaydi. O‘lcham boshiga KL qiymati va vizual o‘tishlar talqin qilish imkoniyati uchun proxy ko‘rsatkichlar sifatida ishlatilgan.

Tasvirni qayta qurish samaradorligi qanday?

Mustaqil test to‘plami 77 tasvirdan iborat bo‘lgan. O‘rtacha qayta qurish xatosi:

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

O‘rtacha strukturaviy o‘xshashlik:

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

deb bildirilgan.

7-sahifadagi haqiqiy–yaratilgan tasvirlarda model ALG-Ph, HA-Ph va kompozit siyohlarning filament qalinligi, g‘ovak ochiqligi va chet tuzilishidagi umumiy farqlarni saqlagan. Yaratilgan tasvirlar haqiqiy tasvirlarning aynan nusxasi emas; kichik notekisliklar va tafsilotlar silliqlashtirilgan.

Shartlar o‘zgartirilganda model qanday javob bergan?

Boshqa o‘zgaruvchilar sobit saqlanib, bitta shart o‘zgaruvchisi o‘zgartirilganda tasvirlar keskin va notekis sakrashlar o‘rniga bosqichma-bosqich morfologik o‘tishlarni ko‘rsatgan.

• Yorug‘lik intensivligi va fenolik tarkib oshganda yopiq g‘ovakli, yoyilgan tuzilmalardan ochiqroq g‘ovakli va ingichkaroq filamentli tuzilmalarga o‘tish kuzatilgan.
• η₀, m va n qiymatlari filament qalinligi bilan g‘ovak tartibini o‘zgartirgan.
• tan(δ) pasayganda elastikroq, dizaynga yaqinroq va kamroq yoyilgan chiziqlar yaratilgan.

Bu xatti-harakatlar model faqat tasvirlarni yodlab olmaganini, balki shartlar bilan morfologiya o‘rtasidagi ma’lumot ichki qonuniyatlarini o‘rganganini qo‘llab-quvvatlaydi. Biroq fizik sababiylikni faqat generativ model tasvirlariga qarab isbotlab bo‘lmaydi.

Nega yashirin fazo tushuntiriladigan deb hisoblangan?

Haqiqiy tasvirlarning enkoderdan olingan yashirin o‘rtacha vektorlari UMAP bilan ikki o‘lchamga kamaytirilgan. Yorug‘lik intensivligi, yopishqoqlik, fenolik tarkib va tuzilma maydoni kabi o‘zgaruvchilar manifold ustida bosqichma-bosqich taqsimlanishlar hosil qilgani ko‘rilgan.

Tanlangan yashirin o‘lchamlarda −3σ bilan +3σ oralig‘idagi o‘tishlar turli vizual xususiyatlarga ta’sir qilgan:

• z8: G‘ovaklarning to‘lishi yoki burilishi,
• z23: Gorizontal va vertikal filament qalinligi,
• z24: Piksel intensivligi va umumiy tuzilma maydoni.

9-sahifadagi tasvirlarda bu o‘zgarishlar haqiqiy bosmalarda kuzatiladigan morfologik xilma-xillik bilan o‘xshash yo‘nalishlarni ko‘rsatgan. Biroq bitta yashirin o‘lcham faqat bitta fizik o‘zgaruvchini ifodalashi isbotlanmagan. Tadqiqotchilar ham ayrim yashirin o‘lchamlarni ma’lum bosma parametrlariga to‘g‘ridan-to‘g‘ri bog‘lash qiyinligini bildiradi.

Generativ xilma-xillik nimani anglatadi?

Ayni shart vektori bilan turli yashirin namunalar tanlanganda model g‘ovak shakli, filament qalinligi va tuzilma maydonida kichik farqlarni hosil qilgan. Namunalash harorati T quyidagi taqsimot bilan qo‘llangan:

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

Tadqiqotda asosiy yaratish qiymati T=0,7. Yuqoriroq harorat o‘zgaruvchanroq va notekisroq, pastroq harorat esa barqarorroq va bir-biriga o‘xshash tasvirlar yaratadi.

Bu xilma-xillik jismoniy bosma takrorlarining eksperimental taqsimoti emas. Ayni sharoitlarda yetarli miqdorda haqiqiy bosma takrorlari bajarilmagani sababli model yaratgan variatsiya haqiqiy ishlab chiqarish noaniqligini miqdoriy ifodalaydi deb aytib bo‘lmaydi.

Raqamli yopiq sikl qanday ishlaydi?

10-sahifadagi oqim to‘rtta asosiy modelni birlashtiradi:

1. SVR: Taklif qilingan ALG-Ph va HA-Ph tarkibidan reologik xususiyatlarni bashorat qiladi.
2. β-CVAE: Tarkib, reologiya, yorug‘lik va fenolik tarkib sharoitida 30 ta mumkin bo‘lgan bosma tasvirini yaratadi.
3. Ko‘p vazifali CNN: Tasvirlarni beshta bosib chiqariluvchanlik mezoni bo‘yicha baholaydi.
4. Bayes optimallashtirishi: Umumiy yo‘qotishni kamaytiradigan yangi siyoh tarkibini tanlaydi va siklni takrorlaydi.

Bu jarayon printerga jismoniy tuzatish buyrug‘ini yubormaydi. “Yopiq sikl” model chiqishi yana modelga asoslangan baholashga kirishi va baholash keyingi shart taklifini o‘zgartirishini anglatadi.

Qaysi bosib chiqariluvchanlik mezonlari ishlatilgan?

CNN beshta chiqish hosil qilgan:

• Filament to‘liqligi: Panjara chiziqlari uzluksiz yoki uzluksiz emasligi,
• O‘rtacha filament kengligi,
• Tuzilma maydoni,
• Dice o‘xshashlik koeffitsiyenti,
• O‘rtacha Hausdorff masofasi.

Dice o‘xshashlik koeffitsiyenti bosilgan tuzilma maskasi bilan etalon dizaynning ustma-ust tushishini o‘lchaydi:

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

Qiymat 1 ga yaqinlashgani sari ikki maskaning ustma-ust tushishi ortadi.

Hausdorff masofasi ikki chegara to‘plami orasidagi eng katta eng-yaqin-nuqta farqini o‘lchaydi:

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

Pastroq HD g‘ovak va filament chegaralari etalon geometriyaga yaqinroq ekanini ko‘rsatadi.

CNN qaysi ma’lumotlar bilan o‘qitilgan?

Ko‘p vazifali CNN β-CVAE tomonidan yaratilgan 8.475 ta kulrang tasvir bilan o‘qitilgan. Ma’lumot %70 o‘qitish, %20 validatsiya va %10 test tarzida ajratilgan. O‘qitish tasvirlariga to‘rt yo‘nalishli aylantirish qo‘llangan.

Umumiy tana uchta konvolyutsion qatlamdan tashkil topgan. Keyin ikkita chiqish boshi ishlatilgan:

• Maydon, filament kengligi, HD va DSC uchun regressiya boshi,
• To‘liqlik ehtimoli uchun sigmoid tasniflash boshi.

Bu yerda muhim cheklov mavjud: CNNning o‘qitish namunalari jismoniy tasvirlar emas, generativ model yaratgan tasvirlardir. Shu sababli β-CVAEning tizimli xatolari CNN baholashiga ham ko‘chishi mumkin.

Bayes optimallashtirishining maqsad funksiyasi nima?

Optimallashtirish yo‘qotishi quyidagi komponentlardan tuzilgan:

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

Bu yerda p_c to‘liqlik ehtimolidir. L_A va L_W tuzilma maydoni hamda filament kengligi qabul qilingan diapazondan tashqariga chiqqanda ortadigan kvadratik jazolardir.

Qabul qilinadigan diapazonlar:

• Tuzilma maydoni: 40–65 mm²,
• Filament kengligi: 0,3–0,5 mm.

To‘liqlik ehtimoli 0,5 dan pastga tushganda qo‘shimcha ravishda 50 birlik jazo qo‘llangan. Og‘irliklar DSC va HD uchun 1,0; to‘liqlik uchun 5,0; maydon va kenglik uchun 1,0 qilib belgilangan.

Yorug‘lik intensivligi %0–100 oralig‘ida 10 ballik o‘sishlar bilan baholangan. Har bir yorug‘lik darajasida 20 ta boshlang‘ich namuna va jami 200 ta Bayes optimallashtirish iteratsiyasi ishlatilgan.

Raqamli optimallashtirish qaysi sharoitlarni topgan?

Optimal tarkiblar yorug‘lik darajasiga bog‘liq holda asosan quyidagi diapazonlarda to‘plangan:

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

Ko‘rib chiqilgan yorug‘lik intensivliklarida:

• To‘liqlik ehtimoli %90 dan yuqori,
• Tuzilma maydoni taxminan 60–70 mm²,
• Filament kengligi taxminan 0,4–0,5 mm,
• DSC 0,8 dan yuqori,
• HD 0,1 dan past

bo‘lib qolgan.

Bu qiymatlar jismoniy bosilgan optimal namunalarning o‘lchovlari emas, model yaratgan tasvirlardan CNN bashorat qilgan natijalardir. Optimal retseptlarning haqiqiy bosmalar bilan tizimli tarzda tasdiqlangan alohida tajriba seriyasi taqdim etilmagan.

Transfer o‘rganish qaysi yangi shakllarda sinovdan o‘tkazilgan?

Panjara tuzilmalarida o‘qitilgan β-CVAE og‘irliklari uchta yangi geometriya uchun boshlang‘ich nuqta sifatida ishlatilgan:

Modellar 50 epoch davomida 10⁻³ o‘rganish tezligi va 16 batch o‘lchami bilan nozik sozlangan. Yaratilgan tasvirlar ginkgo bargining umumiy chegarasini, yulduzning burchaklarini va burun shaklining ikki tomonlama simmetriyasini taxminan saqlagan.

Bu natija panjaralarda o‘rganilgan barcha xususiyatlar yangi geometriyalarga mukammal o‘tganini ko‘rsatmaydi. Ayniqsa, burun tasvirlari faqat ikki o‘lchovli yuqoridan ko‘rinish morfologiyasini ifodalaydi; haqiqiy uch o‘lchovli burun sirtining hajmiy geometriyasini modellashtirmaydi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar nimalar?

• Siyoh reologiyasi, fenolik tarkib va yorug‘lik intensivligi bilan shartlangan β-CVAE jismoniy bosmalarga vizual jihatdan o‘xshash ikki o‘lchovli morfologiya tasvirlarini yarata oladi.
• Modelning yashirin fazosidagi ayrim yo‘nalishlar g‘ovak to‘liqligi, filament kengligi va tuzilma maydoni kabi tushunarli vizual xususiyatlar bilan bog‘liq.
• SVR namuna olingan siyoh tarkibi oralig‘ida reologik o‘zgaruvchilar uchun silliq interpolatsiya sirtlarini ta’minlay oladi.
• Generativ model, CNN va Bayes optimallashtirishi birlashtirilib, siyoh tarkiblari raqamli muhitda skanerlanishi mumkin.
• Oldindan o‘qitilgan model kichik ma’lumotlar to‘plamlari bilan yangi ikki o‘lchovli dizayn geometriyalariga moslashtirilishi mumkin.

Tadqiqot nimani isbotlamaydi?

• Tirik hujayralar mavjud to‘qimalar muvaffaqiyatli ishlab chiqarilganini ko‘rsatmaydi.
• Model hujayra hayotiyligi, differensiyalanishi, ko‘payishi yoki to‘qima funksiyasini bashorat qilishini ko‘rsatmaydi.
• Taklif qilingan retseptlardan jismoniy tajribasiz xavfsiz foydalanish mumkinligini isbotlamaydi.
• Yopiq sikl printerni real vaqtda boshqarishini ko‘rsatmaydi.
• Ikki o‘lchovli tasvir samaradorligi hajmiy uch o‘lchovli shakl aniqligiga teng ekanini ko‘rsatmaydi.
• Model turli polimerlar, krosslinkerlar, printerlar, nozullar va laboratoriyalarga bevosita umumlashtirilishini isbotlamaydi.
• Yaratilgan tasvirlar orasidagi xilma-xillik haqiqiy jismoniy bosmaning takrorlanuvchanligini ifodalashini ko‘rsatmaydi.
• Klinik qo‘llash, organ ishlab chiqarish yoki bemorga xos tirik to‘qima ishlab chiqarish uchun tayyor tizim taqdim etmaydi.

Tadqiqotning asosiy cheklovlari nimalar?

Model ikki o‘lchovli tasvirlar bilan ishlaydi. Filament balandligi, qatlamlararo cho‘kish, hajmiy deformatsiya va ichki g‘ovak aloqalari bevosita modellashtirilmagan. Tadqiqotchilar kelajakda voxel, nuqta buluti yoki PointNetga o‘xshash hajmiy ifodalarga o‘tish kerakligini bildiradi.

Ma’lumotlar bitta ko‘rinadigan yorug‘lik bilan krosslinklash tizimi va cheklangan tarkib maydoniga asoslangan. Ishlatilgan printer, nozul, yorug‘lik manbai yoki polimer o‘zgarsa, model qayta o‘qitilmasdan ishonchli natija bermasligi mumkin.

Yopiq sikl jismoniy bosmadan oldin bajarilgan. Bu kamera tasviriga qarab qatlam davomida tuzatish kiritadigan tizim emas. Haqiqiy yopiq sikl uchun printerga ulangan kamera, qatlam asosidagi monitoring, onlayn xato aniqlash va darhol jarayonni tuzatish kerak.

CNNning baholash ma’lumotlar to‘plami generativ tasvirlardan iborat. Generator va baholovchining ayni modellashtirish zanjirining qismlari bo‘lishi fizik haqiqatdan umumiy bir yo‘nalishda og‘ish ehtimolini tug‘diradi. Shu sababli taklif qilingan optimal nuqtalar haqiqiy bosmalar bilan alohida tasdiqlanishi kerak.

Tadqiqot usuli va natijalari

Jismoniy materiallar va reologiya o‘lchovi

3B bosma sharoitlari

Tasvirni oldindan qayta ishlash

Bosma tasvirlaridagi fon va keraksiz qismlar Segment Anything Model 2 versiyasi 2.1 bilan ajratilib, OpenCV 4.10.0 yordamida bir xil oq fon ustiga joylashtirilgan. O‘qitish, validatsiya va test to‘plamlari tasvirni qayta ishlashdan oldin ajratilib, ma’lumot sizishi kamaytirilgan.

SVR modellarining eng yaxshi giperparametrlari

β-CVAE o‘qitish sozlamalari

Asosiy qayta qurish natijalari

Ko‘p vazifali CNN sozlamalari

Bayes optimallashtirish sozlamalari

Optimallashtirish chiqishlarini to‘g‘ri talqin qilish

Model zanjiri muayyan siyoh diapazonlarida vizual jihatdan mos nomzodlarni jismoniy bosma qilinmasdan oldin saralashi mumkin bo‘lgan skanerlash vositasini taklif etadi. Uning eng kuchli mumkin bo‘lgan qo‘llanilishi laboratoriyada barcha kombinatsiyalarni sinash o‘rniga past ballli hududlarni chiqarib tashlash va jismoniy tasdiqlashni torroq tarkib maydoniga yo‘naltirishdir.

Tadqiqot jismoniy tajribani olib tashlashni emas, tajribalarni ongliroq tanlashni qo‘llab-quvvatlaydi. Generativ tasvir, CNN bali yoki Bayes optimumi o‘z-o‘zicha haqiqiy bosma muvaffaqiyatli, hujayraga mos yoki biologik funksional ekanini ko‘rsatmaydi.

Qayta ishlab chiqish imkoniyati

Tadqiqotchilar ishni qo‘llab-quvvatlovchi ma’lumotlar Zenododa, ma’lumot tahlili va mashina o‘rganish kodlari esa GitHubda ochiq ekanini bildirgan. Bu arxitektura, ma’lumotni qayta ishlash va optimallashtirish bosqichlarini mustaqil ravishda ko‘rib chiqishni osonlashtiradi. Biroq boshqa laboratoriya ayni natijalarni olish uchun kimyoviy materiallar, printer kalibrovkasi, yorug‘lik geometriyasi, tasvirlash tartibi va reologiya o‘lchovlarini ham moslashtirishi kerak.

Manba va usul haqida izoh

Tadqiqotning to‘liq asl nomi: Generative AI-guided in silico closed-loop optimisation of deposition morphology for 3D bioprinting applications

Mualliflar: Colin Zhang, Kelum Chamara Manoj Lakmal Elvitigala va Shinji Sakai

Mualliflar tartibi: Colin Zhang; Kelum Chamara Manoj Lakmal Elvitigala; Shinji Sakai

Teng hissa ma’lumoti: Tadqiqotda teng hissa yoki teng birinchi mualliflik bayonoti mavjud emas.

Mas’ul muallif: Shinji Sakai

Muassasa: 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

Jurnal: Virtual and Physical Prototyping

Jild va son: 21(1)

Maqola raqami: e2671497

Nashriyot: Informa UK Limited, Taylor & Francis Group nomidan

Yuborilgan sana: 14 Mart 2026

Qabul qilingan sana: 5 May 2026

Nashr qilingan sana: 21 May 2026

Nashr yili: 2026

Manba turi: Jismoniy gidrogel bosma tajribalarini generativ sun’iy intellekt, tasvir baholashi va raqamli optimallashtirish bilan birlashtirgan eksperimental tadqiqot maqolasi

Hakamlik holati: Tadqiqot hakamlik baholashidan o‘tgan va jurnalning nashr etilgan versiyasi sifatida chop etilgan.

Ochiq kirish holati: Creative Commons Attribution 4.0 litsenziyasi ostida ochiq kirishli.

Rasmiy havola:Taylor & Francis rasmiy maqola sahifasi

Moliyalashtirish: Tadqiqot Japan Science and Technology Agency tomonidan olib boriladigan Adaptable and Seamless Technology Transfer Program through Target-driven R&D doirasida JPMJTR234C-raqamli grant bilan moliyalashtirilgan.

Manfaatlar to‘qnashuvi: Tadqiqotchilar potensial manfaatlar to‘qnashuvini bildirmagan.

Ma’lumot va kod: Tadqiqotda ma’lumotlar Zenododa, tahlil va mashina o‘rganish kodlari esa GitHubda ochiq ulashilgani bildiriladi.

Ushbu o‘zbekcha maqola 19 sahifalik asl tadqiqotning matni, tenglamalari, jadvallari, tajriba parametrlari va barcha tasvirlari ko‘rib chiqilib tayyorlangan. Ilmiy usul, ma’lumot hajmlari, model sozlamalari va natijalar faqat tadqiqotda bildirilgan ma’lumotlarga asoslangan. Tashqi manbalar faqat nashr identifikatsiyasi, nashr etilgan versiya, jurnal, nashriyot, DOI va nashr sanasini tasdiqlash uchun ishlatilgan.

Tadqiqotning “3B biobosma” doirasi tirik hujayrasiz gidrogel bosmalari bilan cheklangan. Ishlatilgan formulalar avval bildirilgan hujayraga mos sharoitlarga asoslanishi ushbu tajribalarda hujayra hayotiyligi yoki to‘qima funksiyasi tasdiqlanganini anglatmaydi. Xuddi shuningdek, in silico yopiq sikl printerga real vaqtli jismoniy qayta aloqa beradigan boshqaruv tizimi emas.