将机器学习与3D生物打印相结合以快速跟踪优化挤出打印

来源：生物打印与再生工程

许多与生物墨水特性、打印参数和打印后固化相关的因素在打印过程的优化中发挥着重要作用。尽管目前对可打印性的定性评估已经进行了大量研究，但很少有关于评估可打印性的定量方法的研究。来自澳大利亚University of Wollongong和Deakin University的团队在Applied Materials Today杂志上发表题为“Coupling machine learning with 3D bioprinting to fast track optimisation of extrusion printing”的文章，该研究探索了机器学习作为一种新颖的工具来定量评估可打印性并快速跟踪优化挤出打印以实现可重复的3D支架构建的方法。

背景介绍
生物墨水是生物打印过程的基本组成部分，可作为细胞和生长因子的传递介质，是打印后细胞粘附、增殖和茁壮成长的支持材料。在保持细胞相容性的同时，理想的生物墨水应具备两个关键的物理特性：“可打印性”以形成完整的 3D 结构，以及“机械稳定性”以实现打印结构的良好形状保真度。因此，通过 3D 打印生物墨水在其挤出过程中应优选采用具有合理可打印性的流体性质。与物理化学性质、打印参数和打印后固化相关的众多因素在任何生物墨水的可打印性优化中都发挥着重要作用（图 1）。生物墨水的流变学主要取决于其粘弹性和剪切行为，而后者又极大地依赖于墨水的浓度配方。此外，生物墨水的可挤出性和挤出均匀性也有助于可打印性。除了生物墨水的物理特性外，3D 打印机的温度喷嘴直径、喷嘴类型、打印头速度和平台温度都可以提高可打印性。

微调如此众多的变量以完成可重复打印的 3D 支架是一个枯燥乏味且耗时的过程，当前研究人员主要依靠反复试验来实现。因此，越来越需要一种快速的方法来评估和优化生物墨水的可打印性。现代机器学习方法为这一问题提供了思路，可以用最少的实验数据对黑盒函数进行建模，因而这种方法越来越多地应用于新材料和工艺的有效设计。

本研究提出了一种基于贝叶斯优化 (BO) 的机器学习方法，以实现以最少的实验找到最佳参数的目标。这种耦合贝叶斯优化可加速用于挤出打印的生物墨水的可打印性优化。本文选择一系列浓度的甲基丙烯酰明胶 (GelMA) 和 GelMA/甲基丙烯酰透明质酸(HAMA) 作为优化的示例。

图1 生物墨水的物理化学特性、打印参数和打印后稳定性在实现良好的3D打印结构方面起着重要作用

材料和方法
1.材料
材料方面，研究者使用 EnvisionTEC 3D Bioplotter (GmbH Germany) 进行挤出打印制造了具有 500 μm 宽度股线和 130 μm 拼接的晶格结构（10 × 10 × 2.5 mm）。研究所使用的生物墨水配比分别为：10%(w/v) GelMA、7.5% (w/v) GelMA 和 5% (w/v) GelMA；10:2% (w/v) GelMA/HAMA，7.5:2 % (w/v) GelMA/HAMA 和 5:2% (w/v) GelMA/HAMA，涵盖了从低、中到高的广泛粘度范围。每层沉积后，20 秒的紫外线照射用于交联生物墨水。

2.算法
算法方面，研究者构建了基于贝叶斯优化器的“黑盒系统”框架研究了生物墨水储存温度、压力、打印头速度和平台温度一系列参数对可打印性的影响。实验结果会反馈给实验者，实验者然后使用推荐的设置进行打印机测试并对性能进行评分，然后将这些结果反馈到优化器中，反复迭代直到达到最佳打印效果。

图2 贝叶斯优化框架

该框架首先为贝叶斯优化器提供一组随机的可变生物墨水组合配比和打印机设置（生物墨水储存温度、压力、打印头速度和平台温度），以及基于长丝形成和层堆叠性能的相关打印分数。该系统是一个包含输入变量和输出打印分数之间的许多复杂关系的一个黑盒系统。为了克服这个问题并实现搜索目标，研究者基于贝叶斯优化器使用过去的实验数据来构建通过高斯过程建模的黑盒系统的概率估计。模型的平均值和协方差被用来构建一个采集函数，该函数被优化以推荐下一个要测试的打印机设置。这个推荐的打印机设置被定义为贝叶斯优化器期望找到最佳打印分数的概率最高的位置。优化器提供的实验建议在每次迭代中分批提供给实验者，以允许实验者一次性进行多个实验并对其进行评分。

表1 贝叶斯优化器的参数搜索空间

为评估打印效果，研究者为挤出过程中的长丝形态和层堆叠上的孔结构引入了评分系统，以定量评估可打印性。如图3A所示，针尖处的生物墨水状态将表现出三种明显的变化，包括形成 i) 液滴，ii) 连续细丝或 iii) 由于过度凝胶化而形成的不规则形状。喷嘴尖端悬挂的均匀细丝的评分为“0”，因此被认为是 GelMA 和 GelMA/HAMA 混合物的可打印性的良好衡量标准。此外，研究者定义了评价制造3D 结构能力（形状保真度）的指标。具有清晰孔结构的晶格与挤出细丝的性质高度相关，挤出过程中的液滴形成将导致具有小圆孔的 3D 构建体，而过度凝胶化的生物墨水将产生具有不规则形状孔的构建体，如图3B 所示。因此，处于适当凝胶状态的生物墨水将形成一个标准晶格包含不同的方形孔，形状保真度得到提高，得分为“0”。

图3 通过两个基本标准评估生物墨水的可印刷性：

从针尖挤出过程中的打印细丝形态和层堆叠上的孔结构
A) 丝形态的示意图和实时图像；
B) 10×10 mm 晶格结构层堆叠上孔隙结构的示意图和实时图像

3.结果与讨论
包括实验结果在内的打印参数范围的变化如图 4和图 5 所示。通过计算长丝形成分数和层堆叠分数的两个值获得总打印分数。“0”的总打印分数证明了 GelMA 和 GelMA/HAMA 混合物的最佳打印条件（图4和5中的黄点）。研究者发现22°C、20°C 和 18°C 的温度下生物墨水分别实现了10%、7.5% 和 5% (w/v) GelMA 的理想细丝形成。而 25°C 的轻微升高的温度可以实现所有三种GelMA/HAMA 浓度的细丝形态评分为“0”。阴影区域表示每个打印参数的范围，黑色线段表示每个批次。在 6000 到 10,000 个可能的打印设置的空间中，贝叶斯优化算法能够在 10%、7.5% 和 5% (w/v) GelMA 的第19、4 和 47 次实验和10%、7.5% 和 5% (w/v) GelMA/2% (w/v) HAMA混合墨水的第32、25 和 32 次实验中发现最佳打印机设置。

图4 结果为 5%。7.5% & 10% (w/v) GelMA 实验

批次之间用黑色垂直线段；
圆圈表示给定实验的分数（红色 = 打印效果更好）；
阴影区域是给定打印参数的范围；
黄点表示最佳打印

图5 结果为 5%。7.5% & 10% (w/v) GelMA：2% (w/v) HAMA 实验

批次之间的黑色垂直线段；
圆圈表示给定实验的分数（红色 = 打印效果更好）；
阴影区域是给定打印参数的范围；
黄点表示最佳打印
结论
该研究展示了耦合机器学习以优化GelMA 和 GelMA/HAMA 生物墨水挤出打印的可打印性的前景，以实现具有良好形状保真度的可重复 3D 打印。该研究结果展示了一种新颖的定量方法来优化 GelMA 和 GelMA/HAMA 生物墨水的挤出可打印性。这种贝叶斯优化技术可以很容易地应用于其他类型（生物）墨水系统的可打印性优化，其中采用了基于挤出的模式。此外，很明显，与繁琐且耗时的传统试错优化相比，该方法能够成功地加速挤压生物打印实验过程。这项研究揭示了机器学习在这个快速发展的 3D 生物打印领域的广阔的应用前景。

参考文献
Ruberu K , Senadeera M , Rana S , et al. Coupling machine learning with 3D bioprinting to fast track optimisation of extrusion printing[J]. Applied Materials Today, 2021, 22:100914.

https://doi.org/10.1016/j.apmt.2020.100914