Desarrollado en la TSU un método universal que simplifica la producción de implantes para la medicina regenerativa

El nuevo enfoque utiliza perceptrones de dos capas, capaces de identificar dependencias complejas incluso a partir de pequeños conjuntos de datos experimentales

Un equipo de científicos de la Universidad Politécnica de Tomsk (TPU) y Skoltech ha desarrollado un método universal basado en redes neuronales artificiales para predecir con precisión los parámetros clave de los scaffolds poliméricos: estructuras biocompatibles para la regeneración de tejidos. Este descubrimiento permite reducir significativamente el tiempo y los recursos necesarios para el desarrollo y la optimización de dichos implantes, lo cual es fundamental para la rápida implementación de la medicina regenerativa personalizada.

Anteriormente, la búsqueda de las condiciones óptimas para la producción de scaffolds (como el diámetro de las fibras y su resistencia) requería la realización de numerosos experimentos costosos y prolongados. Los métodos tradicionales de modelado estadístico, como demostró la investigación, a menudo resultaban inconsistentes:

Los resultados de las investigaciones mostraron que los modelos de diseño de Box-Behnken no pudieron predecir los datos sobre el diámetro de la fibra y la resistencia a la tracción.

Shadfar Davoudi, profesor asociado del departamento de petróleo y gas de la TPU

El nuevo enfoque utiliza perceptrones de dos capas que son capaces de identificar dependencias complejas incluso a partir de pequeños conjuntos de datos experimentales. Esto no solo aumenta la precisión del pronóstico, sino que también elimina la necesidad de realizar extensas pruebas de laboratorio en cada ocasión.

Además, el método desarrollado puede utilizarse no solo para scaffolds de policaprolactona, sino también para varios tipos de polímeros a partir de los cuales se pueden obtener scaffolds mediante electrohilado.

Sergey Tverdokhlebov, director interino del laboratorio de sistemas híbridos de plasma de la TPU

Los cálculos confirmaron que los modelos de redes neuronales superan significativamente a los métodos anteriores en precisión, especialmente en la predicción de la resistencia mecánica, un parámetro clave para una implantación exitosa. En el futuro, esto abre el camino a la creación de sistemas automatizados para el diseño de scaffolds con propiedades predefinidas, lo que permitirá crear soluciones eficaces para la restauración de tejidos dañados en pacientes de forma más rápida y económica.

Los resultados del trabajo, apoyado por el Ministerio de Ciencia y Educación Superior de la Federación Rusa, se publicaron en la prestigiosa revista internacional Computers in Biology and Medicine.