基于物理化学原理的预测建模方法，应用于小规模数据集，用于设计用于柔性生物电子产品的导电聚合物油墨

《npj Flexible Electronics》：Physicochemical-informed predictive modelling on small datasets for designing conductive polymer inks in soft bioelectronics

　　

摘要

为生物打印设计导电聚合物油墨面临诸多挑战，这些挑战源于聚合物化学性质、导电性能以及制造工艺之间的相互作用。在这项研究中，我们构建了一个适用于人工智能的替代模型，该模型整合了物理化学特性工程方法，用于预测和优化用于生物电子应用的油墨的导电性。以1000赫兹下的导电性作为机器学习模型评估的目标指标。在独立测试集上，平均绝对误差（MAE）介于0.14至0.26之间，模型决定系数（R2）的范围为0.40–0.87。堆叠集成模型（Ridge + XGBoost）表现最佳，展现出其捕捉线性与非线性关系的能力。我们的闭环工作流程包括使用拉丁超立方抽样技术在虚拟数据空间中探索800多个样品，以筛选出具有高导电性的候选配方。随后，我们评估了所预测配方的3D生物打印适用性。该配方既可打印又具有生物相容性，显示出其在soft tissue bioelectronic interfaces（软组织生物电子接口）中的应用潜力。这一工作流程加速了高性能导电油墨的发现，并为聚合物化学性质与电化学功能提供了机制层面的洞察。它展示了基于物理化学信息的AI在数据量较少情况下辅助配方设计的潜力，从而能够合理开发用于生物电子学和先进生物制造的3D可打印材料。