Ученые Томского политеха вместе с коллегами из Сколтеха нашли способ предсказывать ключевые характеристики материалов для восстановления человеческих тканей. Речь о полимерных каркасах — скаффолдах. Они помогают выращивать кости, нервы, хрящи и кожу. Оказалось, что искусственный интеллект справляется с этой задачей лучше всех остальных методов.

Скаффолд (от англ. scaffold — «каркас», „строительные леса“) — это основа, временный трехмерный каркас из биосовместимого материала, который служит опорой для живых клеток. Его помещают в организм, чтобы клетки пациента могли прикрепиться к нему, размножиться и в конечном итоге сформировать новую, здоровую ткань (костную, нервную, хрящевую). По мере восстановления ткани скаффолд безопасно разлагается, не оставляя следов. По сути, это умные „строительные леса“ для нашего тела.

Исследователи выяснили, что нейросети точнее всего прогнозируют два самых важных параметра таких материалов: толщину волокон и их прочность на разрыв. Эти параметры напрямую влияют на то, как хорошо клетки будут прикрепляться к каркасу, делиться и превращаться в нужную ткань.

Результаты опубликованы в Computers in Biology and Medicine.

Материал для каркасов — поликапролактон — давно и успешно используют в медицине, потому что он безопасно разлагается в организме и не вызывает отторжения. Сам каркас создают методом электроспиннинга: из тонкой иглы под большим напряжением вытягивают полимерные нити, которые образуют похожее на паутинку полотно.

На итоговое качество этого полотна влияет множество факторов:

• Концентрация полимера в растворе.
• Подаваемое напряжение.
• Размер иглы.
• Скорость подачи раствора и другие.

Подобрать идеальное сочетание этих параметров — долгая и дорогая экспериментальная работа. Чтобы ее ускорить, ученые обычно используют три подхода: дизайн Бокса-Бенкена (сложный статистический метод), классические алгоритмы машинного обучения и нейросети.

До нас никто не проводил системного сравнения, какой из этих методов точнее для предсказания свойств материалов с разной структурой, — объясняет младший научный сотрудник лаборатории плазменных гибридных систем Арсалан Бадараев. — К тому же, многие исследования не публикуют коды своих моделей, что мешает их повторить и применить на практике.

Ученые изготовили 18 образцов, варьируя три главных параметра: концентрацию полимера, напряжение и размер иглы. Затем они попытались предсказать свойства материалов с помощью всех трех методов.

Результаты получились такими:

• Модели Бокса-Бенкена не справились с прогнозом ни толщины волокон, ни прочности.
• Классические алгоритмы ML хорошо предсказали толщину, но провалились на прочности.
• Нейронные сети показали лучший результат, точно предсказав оба параметра.

Эффективность нейросетей потом подтвердили на данных из других научных работ. Оказалось, что правильно настроенная нейросеть, даже обучаясь на небольшом количестве экспериментов, может выявлять сложные закономерности. Это сокращает need в десятках дорогостоящих проб.

Мы предложили новый систематический подход к оптимизации нейросети для предсказания свойств материалов, — подводит итог и.о. руководителя лаборатории Сергей Твердохлебов. — Его можно использовать не только для поликапролактона, но и для любых других полимеров.

В будущем эту методику хотят адаптировать для прогнозирования свойств полимерных каркасов, напечатанных на 3D-принтере.

Реальная польза этого исследования — в значительном сокращении времени и денежных затрат на разработку новых биоматериалов. Сейчас, чтобы получить идеальный материал, ученым методом проб и ошибок приходится ставить сотни экспериментов, на что уходят месяцы. Нейросеть, обученная на относительно небольшом массиве данных, может предсказать результат виртуально. Это ускоряет R&D в разы и делает производство таких скаффолдов более доступным. В перспективе это может привести к появлению более эффективных и персонализированных имплантов для пациентов, нуждающихся в восстановлении тканей после травм или операций.

Основное замечание касается объема выборки для обучения моделей. 18 изготовленных образцов (15 для обучения, 3 для теста) — это крайне мало для глубокого обучения, что повышает риски переобучения модели. Хотя авторы и провели дополнительную валидацию на литературных данных, внутренняя валидация на столь малом наборе может быть неубедительной. Для полного доверия к методу необходимо показать его эффективность на значительно большем массиве экспериментальных данных, полученных в независимой лаборатории.

Ранее ученые разработали ИИ-модель, которая ускоряет разработку новых материалов.