Como é o dia a dia dos pesquisadores de biomateriais? Literatura, literatura, literatura e centenas de experimentos (muitos por tentativa e erro).
Se não deu certo, abandone a ideia e que venham outras.
Mas parece que esta era chegou ao fim. Pelo menos, é a conclusão da investigação mais recente.
O uso do Machine Learning no desenvolvimento de biomateriais está só começando.
Machine learning é uma ferramenta de inteligência artificial. Como funciona? Ela precisa dos dados. E nós precisamos dos cálculos.
A máquina treina, aprende, e fornece uma previsão do cenário.
O segredo da mágica é como traduzir a informação inserida na computador. Por exemplo, como o sistema vai saber que você tem um biomaterial 1 ou 2 testado na espécie A, B ou C?
Simples: a máquina começa pelo reconhecimento binário: são os famosos 0 e 1 universais. Por exemplo, são os pixels que “acendem” e “apagam” formando um padrão (números, letras, imagens) na tela do seu computador, tablet, smartphone, etc. O programa vai atribuindo sequências para cada espécie e biomaterial.
Assim, para verificar a osseoindutividade de biomateriais, os pesquisadores reuniram informações de mais de 30 anos de publicação, filtradas especificamente sobre a osteogênese ectópica (110 artigos).
Em seguida, esses dados foram agrupados conforme:
estrutura do material (diâmetro, altura, tipo, formato)
composição (HA, B-TCP, colágeno, BMP-2, PLLA, alfa-TCP, hMSCs, DBM, CaP)
modelo animal utilizado nos estudos (cão, camundongo, rato, caprino, coelho, porco, babuíno)
Depois, os dados não numéricos (natureza do material, por exemplo) são transformados em informações numéricas para que os algoritmos de machine learning funcionem.
E como toda informação numérica pode ser uma dimensão, logo pensamos em vetores. O computador usará os vetores para fazer as previsões e modelos de osseoindutividade.
Embora pareça que estamos lidando com alguma tecnologia alienígena, as ferramentas de machine learning são pura matemática estatística.
Elas normalizam as amostras, estudam as correlações entre variáveis, corrigem o desbalanceamento entre respostas (SMOTE), reduzem a dimensionalidade (SPCA), testam modelos diferentes de predição e geram os melhores (WVR), e ainda calculam a taxa de previsão (valor preditivo positivo), recall (sensibilidade), e acurácia nesses modelos.
Como os modelos de machine learning acima ativados e testados, os níveis de acurácia ficam acima dos 90%, e os de precisão e recall acima dos 80%. A porosidade do biomaterial foi identificada como fator chave na osteoindutividade, assim como a presença de BMP-2 e a proporção de HA (hidroxiapatita).
Na etapa seguinte, de posse dos resultados preditivos acima já validados, começa a fase de síntese da nova proposta de biomaterial sintetizado,
Aqui, os pesquisadores implantaram cerâmicas BCP em bolsas musculares de cães Beagle e coletaram os resultados 90 dias depois, fazendo desde análises histológicas até micro tomográficas e químicas.
Resultado: a taxa de osteogênese atingiu os 100%, com o osso recém-formado perto dos 15% da área total do material, superando a média compilada inicialmente pelo banco de dados (11%).
Parece pouco? Esperem até a máquina aprender mais.
Comments