DOI: https://doi.org/10.1016/j.polymertesting.2026.109132
تاريخ النشر: 2026-02-25
المؤلف: Bincan Deng وآخرون
الموضوع الرئيسي: الهيدروجيل: التخليق، الخصائص، التطبيقات
نظرة عامة
تقدم هذه الدراسة إطار عمل لتحسين بايزي التفاعلي (IBO) مصمم لتحسين لزوجة الهلاميات الهجينة المكونة من ميثاكريلات حمض الهيالورونيك (HAMA) وميثاكريلات الجيلاتين (GelMA). يدمج هذا الإطار نموذج بيئي قائم على الشبكات العصبية متعددة الطبقات (MLP) ونموذج تمييز قائم على آلة الدعم (SVM) للتنقل في الخصائص الريولوجية المعقدة وغير الخطية المتأثرة بتركيز الهلام ودرجة الحرارة. أظهر نموذج البيئة دقة تنبؤية عالية (R² ≥ 0.994، RMSE = 4.68)، بينما حدد نموذج التمييز بفعالية المناطق الحساسة للحرارة (F1 > 0.95، AUC > 0.998). من خلال التغذية الراجعة التكرارية، حسّن IBO متوسط اللزوجة من 66.01 ± 8.76 Pa s إلى 51.81 ± 4.38 Pa s على مدار ثلاث تكرارات، محققًا معدل نجاح بنسبة 80% في الوصول إلى قيم اللزوجة المستهدفة.
تؤكد النتائج على فعالية IBO في تسهيل التصميم الذكي تحت القيود العملية، مثل الحد الأقصى لمحتوى HAMA بنسبة 0.40% (w/v)، حيث لا يزال ينتج لزوجات قريبة من النطاق المستهدف (47.64-49.64 Pa s). لا تبرز هذه الدراسة فقط إمكانيات IBO لتصميم التركيبات الموجهة باللزوجة في أنظمة الهلام، ولكنها تقترح أيضًا تداعيات أوسع لتحسين المواد اللينة والبوليمرية. يمكن أن تشمل التحسينات المستقبلية دمج الشبكات العصبية المستندة إلى الفيزياء أو طرق التجارب عالية الإنتاجية لتحسين قدرات الإطار التنبؤية وكفاءة البيانات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات في تصميم الهلاميات القابلة للتشابك الضوئي، وخاصة الهلاميات الهجينة المكونة من ميثاكريلات حمض الهيالورونيك (HAMA) وميثاكريلات الجيلاتين (GelMA)، للتطبيقات في التصنيع الحيوي وهندسة الأنسجة. تظهر هذه الهلاميات خصائص ريولوجية قابلة للبرمجة ووظائف بيولوجية، لكن التفاعل المعقد للمعلمات مثل التركيز ودرجة الحرارة والتشابك الضوئي يعقد تصميمها. من الجدير بالذكر أن الخصائص الريولوجية لـ HAMA تظهر اعتمادًا غير أحادي على التركيز، بينما تتأثر خصائص GelMA بدرجة الحرارة، مما يتطلب توصيفًا ريولوجيًا شاملاً يمكن أن يكون مكلفًا بشكل كبير.
لمعالجة هذه التحديات، تقترح الدراسة إطار عمل لتحسين بايزي التفاعلي (IBO) يهدف إلى تحسين لزوجة هلاميات HAMA/GelMA. يتضمن هذا الإطار نماذج مساعدة، بما في ذلك نموذج متعدد الطبقات (MLP) لفرض القيود الفيزيائية ونموذج آلة دعم (SVM) لتمييز المناطق الحساسة للحرارة، مما يعزز عملية التحسين. يظهر إطار عمل IBO تحسينًا كبيرًا في معدلات النجاح التجريبية، محققًا 80% بحلول التكرار الثالث مع الالتزام بقيود التصميم. يقدم هذا النهج مسارًا قويًا وفعالًا للتصميم الذكي للهلاميات المخصصة لتطبيقات معينة، مما يمهد الطريق لاستكشافات إضافية في الأقسام اللاحقة من الورقة.
طرق
تقدم الدراسة إطار عمل لتحسين بايزي المتكامل (IBO) الذي يتكون من ثلاثة مكونات أساسية: تحسين بايزي (BO)، نموذج بيئي، ونموذج تمييز. يتم تكليف وحدة BO بالتنقل بكفاءة في الفضاء البرامجي لتحديد الحلول المثلى التي تهدف إلى تحقيق اللزوجة المطلوبة. يعمل نموذج البيئة كبديل مدفوع بالبيانات للنظام التجريبي، مما يسهل التنبؤات السريعة للزوجة بناءً على ظروف المعلمات المحددة. في الوقت نفسه، يقيم نموذج التمييز هذه التوصيات لتحديد صلاحيتها، من خلال تحديد ما إذا كانت تقع ضمن المنطقة الحساسة للحرارة.
تم هيكلة المنهجية في سير عمل واضح: أولاً، يتم جمع بيانات اللزوجة من تركيبات HAMA/GelMA المختلفة ومعالجتها مسبقًا. بعد ذلك، يتم تدريب نموذج بيئي قائم على الشبكات العصبية متعددة الطبقات (MLP) لتقريب العلاقة بين اللزوجة والمعلمات. بعد ذلك، يتم تطوير نموذج تمييز آلة الدعم (SVM) لتصنيف المناطق الحساسة وغير الحساسة للحرارة. أخيرًا، يقترح BO بشكل تكراري ظروف تجريبية جديدة، والتي يتم اختبارها واستخدامها لتحسين كل من نماذج البيئة والتمييز من خلال التغذية الراجعة المستمرة. تعزز هذه العملية التكرارية تحسين التنبؤ التكيفي وتوصيات المعلمات النظامية.
نتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يتم تسليط الضوء على النتائج الرئيسية، مما يظهر فعالية الطرق أو التدخلات المقترحة. تكشف التحليلات الإحصائية عن اختلافات كبيرة بين المجموعات الضابطة والتجريبية، مع قيم p التي تشير إلى قوة النتائج.
بالإضافة إلى ذلك، توضح التمثيلات الرسومية، مثل المخططات أو الرسوم البيانية، الاتجاهات والارتباطات التي لوحظت في البيانات. تدعم هذه المساعدات البصرية النتائج الكمية، مما يوفر فهمًا أوضح للعلاقات بين المتغيرات. بشكل عام، تؤكد النتائج على صحة الفرضيات وتساهم في مجموعة المعرفة الحالية في هذا المجال.
مناقشة
ت outlines قسم المناقشة في الورقة البحثية تطوير وفعالية إطار عمل تحسين بايزي التفاعلي (IBO) لتحسين اللزوجة في هلاميات HAMA/GelMA الهجينة. تم استخدام مجموعة البيانات، التي تتكون من 17,537 قياس لزوجة من 15 تركيبة، لتدريب نموذج بيئي قائم على الشبكات العصبية متعددة الطبقات (MLP) ونموذج تمييز آلة الدعم (SVM). يدمج إطار عمل IBO هذه النماذج بفعالية، مما يمكّن من تقديم توصيات دقيقة لبارامترات الحبر الحيوي (تركيز HAMA، تركيز GelMA، ودرجة الحرارة) لتحقيق لزوجة مستهدفة قدرها 50 Pa·s. أظهر العملية التكرارية تحسينات كبيرة في توقعات اللزوجة، حيث تقارب متوسط اللزوجة من 66.01 ± 8.76 Pa·s في التكرار الأول إلى 51.81 ± 4.38 Pa·s في التكرار الثالث، محققًا معدل نجاح بنسبة 80% ضمن النطاق المستهدف.
تؤكد النتائج على الأدوار التكميلية لـ HAMA وGelMA في التأثير على اللزوجة، حيث تساهم HAMA في اللزوجة من خلال تشابك السلاسل وتظهر GelMA حساسية للحرارة. على الرغم من نجاح الإطار، لا تزال هناك تحديات، بما في ذلك الحاجة إلى تكامل أكثر إحكامًا بين نماذج البيئة والتمييز، ومعالجة التنبؤات غير الفيزيائية، وتحديد عتبات التقارب الأكثر عمومية. يُقترح العمل المستقبلي لتعزيز قابلية تطبيق الإطار على أنظمة أكثر تعقيدًا ودمج تقنيات النمذجة المتقدمة، مثل الشبكات العصبية المستندة إلى الفيزياء، لتحسين دقة التنبؤ وكفاءة التصميم في الهلام. بشكل عام، يقدم إطار عمل IBO نهجًا واعدًا لتصميم المواد الذكية، خاصة في تطبيقات الطباعة الحيوية حيث يكون التحكم الدقيق في اللزوجة أمرًا حاسمًا.
DOI: https://doi.org/10.1016/j.polymertesting.2026.109132
Publication Date: 2026-02-25
Author(s): Bincan Deng et al.
Primary Topic: Hydrogels: synthesis, properties, applications
Overview
The research presents an Interactive Bayesian Optimization (IBO) framework designed to optimize the viscosity of hybrid hydrogels composed of hyaluronic acid methacrylate (HAMA) and gelatin methacrylate (GelMA). This framework integrates a multilayer perceptron (MLP)-based environment model and a support vector machine (SVM)-based discriminative model to navigate the complex, nonlinear rheological properties influenced by hydrogel concentration and temperature. The environment model demonstrated high predictive accuracy (R² ≥ 0.994, RMSE = 4.68), while the discriminative model effectively identified thermosensitive regions (F1 > 0.95, AUC > 0.998). Through iterative feedback, IBO improved the mean viscosity from 66.01 ± 8.76 Pa s to 51.81 ± 4.38 Pa s over three iterations, achieving an 80% success rate in reaching target viscosity values.
The findings underscore the efficacy of IBO in facilitating intelligent design under practical constraints, such as a maximum HAMA content of 0.40% (w/v), where it still produced viscosities close to the target range (47.64-49.64 Pa s). This work not only highlights the potential of IBO for viscosity-guided formulation design in hydrogel systems but also suggests broader implications for the optimization of soft matter and polymeric materials. Future enhancements could involve integrating physics-informed neural networks or high-throughput experimental methods to further improve the framework’s predictive capabilities and data efficiency.
Introduction
The introduction of this research paper highlights the challenges in designing photo-crosslinkable hydrogels, particularly hybrid hydrogels composed of hyaluronic acid methacrylate (HAMA) and gelatin methacrylate (GelMA), for applications in biomanufacturing and tissue engineering. These hydrogels exhibit programmable rheological properties and biological functions, but the complex interplay of parameters such as concentration, temperature, and photocrosslinking complicates their design. Notably, the rheological properties of HAMA show a non-monotonic dependence on concentration, while GelMA’s properties are influenced by temperature, necessitating extensive rheological characterization that can be prohibitively costly.
To address these challenges, the study proposes an interactive Bayesian optimization (IBO) framework aimed at optimizing the viscosity of HAMA/GelMA hydrogels. This framework incorporates auxiliary models, including a multilayer perceptron (MLP) for enforcing physical constraints and a support vector machine (SVM) for distinguishing thermosensitive regions, thereby enhancing the optimization process. The IBO framework demonstrates a significant improvement in experimental success rates, achieving 80% by the third iteration while adhering to design constraints. This approach offers a robust and efficient pathway for the intelligent design of hydrogels tailored to specific applications, setting the stage for further exploration in subsequent sections of the paper.
Methods
The study presents an Integrated Bayesian Optimization (IBO) framework that comprises three essential components: Bayesian optimization (BO), an environment model, and a discriminator model. The BO module is tasked with efficiently navigating the parametric space to identify optimal candidate solutions aimed at achieving the desired viscosity. The environment model acts as a data-driven surrogate for the experimental system, facilitating rapid predictions of viscosity based on specified parameter conditions. Meanwhile, the discriminator model assesses these recommendations to determine their validity, specifically by identifying whether they reside within the thermosensitive region.
The methodology is structured into a clear workflow: first, viscosity data from various HAMA/GelMA formulations are collected and preprocessed. Next, a multi-layer perceptron (MLP)-based environment model is trained to approximate the relationship between viscosity and parameters. Subsequently, a support vector machine (SVM) discriminator is developed to classify the thermosensitive and non-thermosensitive regions. Finally, the BO iteratively proposes new experimental conditions, which are tested and used to refine both the environment and discriminator models through continuous feedback. This iterative process enhances adaptive prediction optimization and systematic parameter recommendations.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. Key outcomes are highlighted, demonstrating the effectiveness of the proposed methods or interventions. Statistical analyses reveal significant differences between control and experimental groups, with p-values indicating the robustness of the results.
Additionally, graphical representations, such as charts or plots, illustrate trends and correlations observed in the data. These visual aids support the quantitative findings, providing a clearer understanding of the relationships between variables. Overall, the results underscore the validity of the hypotheses and contribute to the existing body of knowledge in the field.
Discussion
The discussion section of the research paper outlines the development and efficacy of an Interactive Bayesian Optimization (IBO) framework for optimizing viscosity in HAMA/GelMA hybrid hydrogels. The dataset, comprising 17,537 viscosity measurements from 15 formulations, was utilized to train a multi-layer perceptron (MLP) environment model and a support vector machine (SVM) discriminative model. The IBO framework effectively integrates these models, enabling precise recommendations for bioink parameters (HAMA concentration, GelMA concentration, and temperature) to achieve a target viscosity of 50 Pa·s. The iterative process demonstrated significant improvements in viscosity predictions, with the mean viscosity converging from 66.01 ± 8.76 Pa·s in the first iteration to 51.81 ± 4.38 Pa·s in the third iteration, achieving an 80% success rate within the target range.
The findings emphasize the complementary roles of HAMA and GelMA in influencing viscosity, with HAMA contributing to viscosity through chain entanglement and GelMA exhibiting thermosensitivity. Despite the framework’s success, challenges remain, including the need for tighter integration between the environment and discriminative models, addressing non-physical predictions, and establishing more generalizable convergence thresholds. Future work is suggested to enhance the framework’s applicability to more complex systems and to incorporate advanced modeling techniques, such as physics-informed neural networks, to improve prediction fidelity and efficiency in hydrogel design. Overall, the IBO framework presents a promising approach for intelligent material design, particularly in bioprinting applications where precise viscosity control is critical.