在生物3D打印领域，维持高细胞活力对于组织再生的成功与否至关重要。然而，传统的生物打印过程优化依赖于繁琐且成本高昂的试验。近期，Biofabrication杂志发表了一篇题为“Cell viability prediction and optimization in extrusion-based bioprinting via neural network-based Bayesian optimization models”的研究，利用机器学习模型预测挤出式生物打印中的细胞活力，并采用贝叶斯优化模型确定所选生物打印参数的最佳组合。这种基于预测的迭代优化方法极大地提升了细胞活力，同时减少了依赖试错的实验需求。

01 前言

在再生医学和癌症建模领域，生物3D打印得到了快速发展并且越来越受欢迎。最常用的生物3D打印技术是挤出式生物3D打印，简单且可兼容不同粘度的材料，但喷嘴产生的剪切应力可能会对细胞活力和功能产生负面影响，这一挑战在癌症研究等各种应用中尤为关键，因为细胞活力直接影响打印结果的准确性和可靠性。为了应对这一挑战，研究人员讨论了影响生物3D打印过程中细胞存活率的可能变量，包括细胞类型、生物墨水配方以及工艺参数。

在这项研究中，研究人员提出了一种用于挤出式生物打印的新型细胞活力优化流程：

1）开发用于生物打印过程的回归和分类神经网络，以根据不同生物打印条件准确预测细胞存活率。

2）集成回归神经网络与贝叶斯优化模型，反向预测产生最高细胞活力的最佳生物打印参数组合。

图1  基于回归神经网络的贝叶斯优化模型算法示意图

首先，生物打印过程中影响细胞存活率的多个变量被添加到数据集中，包括海藻酸盐浓度、明胶浓度、透明质酸浓度、GelMA浓度、打印压力、移动速度、喷嘴尺寸、交联剂 (CaCl2)浓度、物理交联时间、光交联时间、测量时间、细胞类型和细胞数量。最终数据集的数值变量如表1所示，包括它们的最大值和最小值。

为了在给定打印参数设置下预测其对应的细胞活力，设计了包含三个全连接层的回归神经网络。对于分类神经网络，构建了用于分类模型的二元类别，将目标变量（细胞活力）转换为二进制标签—大于70的活力值标记为1（表示可接受），而70及以下的值标记为0（表示不可接受）。经过训练，此网络可以根据打印参数设置将细胞活力分类为可接受或不可接受。性能评估结果（表2、表3和图2）显示了所设计神经网络在生物打印中预测细胞活力的有效性。

表1 生物打印数据集中数值变量的子集及其范围

表2 回归神经网络模型的性能评估

表3 使用回归神经网络模型的预测值与实际值的比较

图2 分类神经网络模型的性能评估

03 基于回归神经网络的贝叶斯优化模型

贝叶斯优化框架首先利用生物打印过程中创建的变量数据集及其相关的细胞活力构建高斯过程模型。高斯过程模型的均值和协方差用于开发采集函数，建议下一个要实施的生物打印变量，旨在最大限度地提高实现最高细胞活力的可能性。新推荐的变量在每次迭代中被输入到开发的回归神经网络中。随后，利用已收集的数据更新高斯过程模型，并生成后验分布。经过50轮迭代后，选择具有最高预测细胞活力的最佳参数组合作为解决方案。

为了证明该策略的可靠性和准确性，展示了在两个不同设置的实验（表4）中对物理交联时间和交联浓度进行优化的过程。打印了充满细胞的结构，并使用贝叶斯优化确定的最佳交联条件交联生物打印的结构。最后，通过活死测定法测量实际细胞活力。研究结果表明，这种方法可以通过确定最佳交联条件成功改进生物打印过程（表5），并且两个实验的实际细胞活力和预测细胞活力之间有很好的一致性。

表4 实验 1 和实验 2 的生物打印参数的预定义值

表5 实验 1 和实验 2 的实际细胞活力预测最佳交联参数和细胞活力

本文研究了用于生物打印的新型细胞活力优化流程。创建了回归和分类神经网络模型来预测生物墨水的细胞活力，评估了生物打印参数和细胞存活率之间的关系。表现最好的模型取得了良好的性能（回归神经网络的R2分数为0.71，分类神经网络的精度为0.86）。在优化方面，采用基于回归神经网络的贝叶斯优化模型逆向预测了最佳生物打印交联参数：交联浓度和交联时间，无需任何试错实验即可实现最高的细胞活力。值得注意的是，这种优化方法可以扩展到预测其他生物打印参数，例如生物材料浓度、打印设置参数或所有这些参数的组合，为生物打印提供了一个有价值的工具。