La bio-impression pilotée par l’IA accélère l’ingénierie tissulaire

La bio-impression pilotée par l’IA accélère l’ingénierie tissulaire

Des chercheurs de l’Université Rice ont utilisé l’intelligence artificielle (IA) pour accélérer le développement de bioscaffolds imprimés en 3D qui aident à guérir les blessures. Une équipe dirigée par l’informaticienne Lydia Kavraki de la Brown School of Engineering de l’Université Rice a utilisé deux approches d’apprentissage automatique pour prédire la qualité des matériaux d’échafaudage, compte tenu des paramètres d’impression. Les résultats de l’étude publiée dans la revue Tissue Engineering Part A ont révélé que le contrôle de la vitesse d’impression est essentiel pour fabriquer des implants de haute qualité.

Grâce aux capacités précises de traitement des données et de prévision de l’IA, les scientifiques en biotechnologie s’appuient largement sur des outils et des techniques d’IA – comme l’apprentissage automatique et en profondeur – pour résoudre des problèmes réels et améliorer les découvertes qui faciliteront le diagnostic et le traitement des maladies, la médecine personnalisée, etc. .

Selon un rapport de PricewaterhouseCoopers, l’IA pourrait contribuer jusqu’à 15,7 billions de dollars à l’économie mondiale en 2030, tandis qu’une récente enquête auprès d’experts de la pharmacie et des sciences de la vie a montré que 44% utilisaient déjà l’IA dans leurs activités de recherche et développement.

Un bioscaffold imprimé en 3D de «haute qualité» conçu avec l’aide d’un algorithme d’apprentissage automatique développé à l’Université Rice. La barre d’échelle est égale à 1 millimètre. (Image reproduite avec l’aimable autorisation du Mikos Research Group)

Le bio-ingénieur de l’Université Rice et co-auteur de l’étude, Antonios Mikos, a développé des bioscaffolds, en grande partie avec le Center for Engineering Complex Tissues, pour améliorer les techniques de guérison des plaies craniofaciales et musculo-squelettiques. Selon l’Université Rice, les bioscaffolds sont des structures en forme de bonbon qui servent d’espace réservé aux tissus blessés. Ils sont poreux pour soutenir la croissance des cellules et des vaisseaux sanguins qui se transforment en nouveau tissu et remplacent finalement l’implant.

Le travail de Mikos a progressé pour inclure une impression 3D sophistiquée qui permet de personnaliser un implant biocompatible sur le site d’une plaie. Désormais, avec l’aide de techniques d’apprentissage automatique, la conception de matériaux et le développement de processus pour créer des implants peuvent être plus rapides et éliminer de nombreux essais et erreurs.

L’équipe a exploré deux approches de modélisation basées sur l’apprentissage automatique. L’une était une méthode fondée sur la classification directe qui prédisait si un ensemble donné de paramètres produirait une impression d’échafaudage de qualité «faible» ou «élevée». L’autre était une approche basée sur la régression qui rapprochait les valeurs d’une métrique de qualité d’impression pour aboutir à un résultat. Les chercheurs ont rapporté que les deux modèles reposent sur une «technique d’apprentissage supervisé classique» appelée forêts aléatoires, qui construit plusieurs «arbres de décision» et les «fusionne» pour obtenir une prédiction plus précise et plus stable.

L’équipe a formé et évalué les modèles sur un ensemble de données généré dans une étude précédente qui a étudié la fabrication d’échafaudages en polymère poreux au moyen d’une impression 3D par extrusion avec une conception factorielle complète. En fin de compte, cette collaboration pourrait conduire à de meilleures façons d’imprimer rapidement une mâchoire, une rotule ou un morceau de cartilage personnalisés à la demande.

«Un aspect extrêmement important est le potentiel de découvrir de nouvelles choses. Cette ligne de recherche nous donne non seulement la possibilité d’optimiser un système pour lequel nous avons un certain nombre de variables – ce qui est très important – mais aussi la possibilité de découvrir quelque chose de totalement nouveau et inattendu. À mon avis, c’est la vraie beauté de ce travail », a déclaré Mikos, professeur Louis Calder de bio-ingénierie et de génie chimique et biomoléculaire et professeur de chimie et de science des matériaux et de nano-ingénierie à l’Université Rice. «C’est un excellent exemple de convergence. Nous avons beaucoup à apprendre des progrès de l’informatique et de l’intelligence artificielle, et cette étude est un parfait exemple de la manière dont ils nous aideront à devenir plus efficaces.

Mikos et ses étudiants avaient déjà envisagé d’intégrer l’apprentissage automatique, mais la pandémie COVID-19 de 2020 a créé une opportunité unique de poursuivre le projet. Du début à la fin, la fenêtre COVID-19 leur a permis d’assembler des données, de développer des modèles et de publier les résultats dans un délai de sept mois, ce qui est considéré comme un temps record pour un processus qui peut souvent prendre des années, a expliqué l’Université Rice. Bien que les étudiants aient dû comprendre comment communiquer entre eux à distance, une fois qu’ils l’ont fait, ils ont progressé très rapidement. Pour Mikos, c’était une façon de faire de grands progrès à un moment où de nombreux étudiants et professeurs ne pouvaient pas se rendre au laboratoire.

Lydia Kavraki, informaticienne de Rice et Antonios Mikos, bio-ingénieur chez Rice. (Image reproduite avec l’aimable autorisation de la Brown School of Engineering de l’Université Rice)

Kavraki a déclaré que les chercheurs et co-auteurs de l’article – les étudiants diplômés Anja Conev et Eleni Litsa dans son laboratoire et l’étudiante diplômée Marissa Perez et la stagiaire postdoctorale Mani Diba dans le laboratoire Mikos – ont pris du temps au début pour établir une approche à une masse de données d’une étude de 2016 sur l’impression d’échafaudages avec du poly (fumarate de propylène) (PPF) biodégradable, puis pour déterminer ce qu’il fallait de plus pour former les modèles informatiques. L’étude a identifié la vitesse d’impression comme la plus importante des cinq mesures mesurées par l’équipe, les autres par ordre décroissant d’importance étant la composition du matériau, la pression, la superposition et l’espacement.

«Nous avons pu donner des commentaires sur les paramètres les plus susceptibles d’affecter la qualité de l’impression, donc lorsqu’ils poursuivent leur expérimentation, ils peuvent se concentrer sur certains paramètres et ignorer les autres», a déclaré Kavraki, une autorité renommée en robotique et intelligence artificielle. et la biomédecine et directeur du Ken Kennedy Institute de Rice. «À long terme, les laboratoires devraient être en mesure de comprendre lesquels de leurs matériaux peuvent leur fournir différents types d’échafaudages imprimés, et à très long terme, même prédire les résultats des matériaux qu’ils n’ont pas essayés. Nous ne disposons pas de suffisamment de données pour le faire actuellement, mais à un moment donné, nous pensons que nous devrions être en mesure de générer de tels modèles. « 

Kavraki a également noté que l’IA a un rôle à jouer dans les nouveaux matériaux, d’autant plus qu’il y a tellement de problèmes à l’intersection de la science des matériaux et de l’informatique, et plus les gens peuvent travailler dessus, mieux c’est. Elle a également suggéré que l’Institut Welch récemment créé, à l’Université Rice, pour renforcer la «réputation déjà excellente de la science des matériaux de pointe», a un grand potentiel pour élargir les collaborations qui intègrent la technologie de l’IA dans la recherche en bio-ingénierie.

Le post La bio-impression pilotée par l’IA accélère l’ingénierie tissulaire est apparu en premier sur 3DPrint.com | La voix de l’impression 3D / fabrication additive.