《Next Materials》:Machine learning for analysis and fourier transform infrared spectroscopy characterization of titanium hydroxyapatite composite
编辑推荐:
随着人工材料的发展,其应用已扩展至包括人体植入物在内的所有领域。这些人工材料经合成或制备以与人体生物系统相互作用,用于疾病的诊断或治疗,被称为生物材料。合成后的生物材料必须具备生物相容性、机械稳定性与强度、惰性以及易于加工等特性。生物材料研究表明,羟基磷灰石(
随着人工材料的发展,其应用已扩展至包括人体植入物在内的所有领域。这些人工材料经合成或制备以与人体生物系统相互作用,用于疾病的诊断或治疗,被称为生物材料。合成后的生物材料必须具备生物相容性、机械稳定性与强度、惰性以及易于加工等特性。生物材料研究表明,羟基磷灰石(Hydroxyapatite, HA)是主要使用的材料,其中所含的磷酸钙已用于复杂组织重建超过六十余年。纯羟基磷灰石的力学性能相对较低,由于其脆性结构,在承重应用中表现不佳。多项研究表明,钛羟基磷灰石(Titanium Hydroxyapatite, Ti-HA)可在获得所需生物学性能的同时提供优异的力学性能。在制备钛羟基磷灰石的各种方法中,本研究采用湿法沉淀法(wet Precipitation method)进行钛羟基磷灰石的批量生产,原因在于该方法大规模生产时唯一的副产物仅为水,且工艺简单、经济。通过湿法沉淀法制备钛羟基磷灰石材料,并对其化学及力学性能(如拉伸强度、硬度、脆性等)进行测试。合成粉末的综合性能决定了其在生物植入物应用中的有效性,重要的性能指标包括粒径、比表面积、纯度、组成、粒径分布、颗粒形貌和密度等。傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy, FTIR)测试是提供复合材料中官能团信息的重要检测手段,此外该测试还可通过评估不同输入对复合材料化学结构和性能的影响来优化配方。为探索这种化学组合优化,机器学习(Machine Learning, ML)方法具有节约时间并解决制造、物理与化学工程、材料科学与冶金学等不同领域问题的潜力。在生物材料领域,研究人员可利用机器学习分析实验测试数据点以预测结果。此前已有诸多研究者开展钛羟基磷灰石的合成研究,但存在一个研究空白,即缺乏钛-羟基磷灰石复合材料合成及表征的系统方法。本研究将实际FTIR测试结果用于MATLAB中的回归分析工具进行机器学习,基于输入特征预测输出结果。结果表明,机器学习实现了合成工艺的优化。
生物材料一直是研究焦点,因其推动创新医疗设备、药物递送系统和组织工程解决方案的发展。对生物材料的研究促进了再生医学的进步、治疗方法的改进,以及对生物相容性和材料-组织相互作用的深入理解。研究已证明羟基磷灰石(Hydroxyapatite, HA)应成为生物材料的组成部分,HA由于与骨和牙齿组分的相似性及其与骨强键合的能力,被广泛用于骨置换。材料的抗菌性能对骨再生至关重要,可防止植入过程中发生感染,从而降低手术成功率并增加死亡率。向HA涂层中添加抗菌材料有助于抑制感染,但可能引入细胞毒性风险。钛及其合金由于低模量、低密度、高强度以及稳定表面氧化膜带来的耐腐蚀性等优良性能,成为植入物的首选材料。尽管钛通常具有良好的生物相容性,但有报道称钛会在邻近组织中积累,表明体内可能存在金属释放和腐蚀现象,此外这些植入物还可能发生松动并与周围组织分离。从化学角度,钛是IV族过渡元素,化合价为4,与硅相似;然而钛及其合金不具备骨传导性。研究聚焦于通过碱处理和酸处理等表面改性金属,随后进行热处理,形成无定形钛凝胶层以诱导磷灰石成核,该层为骨细胞分化和键合提供最佳表面,但关于钛掺入HA结构及其对Ti-HA理化和生物学性能影响的文献有限。
湿化学沉淀法因其高重现性、简便性和工业化规模的经济效益而被本研究采用,该方法主要优势在于水是其唯一副产物。以氢氧化钙和正磷酸为前驱体,该工艺可在低温下获得高纯度纳米羟基磷灰石粉末,其结晶度、晶粒尺寸和钙磷比(Ca/P)取决于煅烧温度。文献报道显示,功能化多壁碳纳米管-银/锌/钴掺杂HA复合材料通过仿生途径首次制备并涂覆于硅烷功能化钛表面;羟基磷灰石陶瓷通过溶胶-凝胶路线合成,使用三乙基亚磷酸酯和硝酸钙为前驱体;还有研究采用湿化学技术以Ca(OH)
2和H
3PO
4为前驱体合成HA纳米粉体,在100°C至800°C范围内研究,于600°C时最优获得化学计量比Ca/P为1.667的HA。另有研究者开发了磁核壳HA纳米复合材料,以及分析了HA基复合材料的多功能性。Ozbek等将5级Ti6Al4V均衡HA复合材料用于生物医学植入物,添加0.5-4 mol% Ti制备HA/Ti复合材料,在600°C和1200°C煅烧粉末后检测到TiO
2和CaTiO
3相。Li等评估了HA涂层对钛植入物骨整合和抗菌性能的影响;Marchenko等研究了等离子体辅助射频溅射沉积HA涂层;Huang等通过化学共沉淀法制备了含钛量高达1.6 wt%的HA;Niespodziana等采用机械合金化和粉末冶金制备了Ti-HA纳米复合材料;Kien等使用水热法制造HA涂层钛;Ergun进行了两组实验研究钛离子与HA的相互作用;Ribeiro等确定了可溶性钛对HA结构的影响;Carolina Oliver-Urrutia等展示了HA与钛组合可改善机械强度和生物活性;Zibin Tian等关注Ti-HA复合材料的机械耐久性和骨传导性;Arifin等综述了HA与钛合金的相互作用研究。
然而,对不同材料组成的材料进行表征并关联其相互依赖性始终具有挑战性。机器学习(ML)在材料科学特别是材料表征中可发挥重要作用,已在材料发现、分子动力学和全局结构预测等任务中证明其价值,解决了数据有限性的挑战。数据驱动方法对于捕获材料结构与其性能之间的非线性关系至关重要,这些关系难以通过常规实验方法推导。随着公共材料数据库的增加,通过机器学习技术提取科学原理和设计规则的机会大增。基于回归分析可建立变量(如组成、工艺条件)与材料性能(如强度、导电性)之间的定量关系,有助于理解变量修改如何影响材料性能,从而指导优化策略。本研究旨在探究Ti含量和温度对化合物中官能团的影响,利用回归分析量化关系(p值和置信区间),从而得出可靠结论并可预测条件变化或优化过程的输出结果。
研究人员通过湿法沉淀法以氢氧化钙和正磷酸为前驱体、钛酸四异丙酯(Ti(OCH(CH
3)
2)
4)为钛源制备了不同Ti含量的钛羟基磷灰石样品,维持Ca/P比为1.67以确保富钙羟基磷灰石的机械性能改善,煅烧温度设定为900°C持续120分钟。FTIR光谱测试用于评估Ti含量和温度对物质中官能团的影响,X射线衍射(XRD)分析用于理解复合材料的实际晶体结构和原子间距,扫描电子显微镜(SEM)测试用于分析组分的形貌、晶体学和拓扑结构。光谱范围为4000-500 cm
-1,分辨率为4 cm
-1,扫描次数为45次。
在MATLAB机器学习环境中进行回归分析以关联材料特性,采用回归学习器应用程序,该工具提供用户友好的图形界面,无需大量编程即可训练、验证和比较多种回归模型,包括线性回归、回归树、高斯过程回归(Gaussian Process Regression, GPR)、支持向量机(Support Vector Machine, SVM)、回归树集成和神经网络回归等算法,并自动使用交叉验证评估模型性能以防止过拟合。
针对PO
4基团的回归模型分析显示,SVM和神经网络是最有前景的模型,R
2值分别为0.91和0.90,这些模型具有相对较低的误差和较高的预测能力。F检验算法的特征重要性评分显示,Ti含量(ml)的重要性评分最高(0.433435),是最具影响力的参数;温度的重要性评分较低(0.243804)。MRMR算法将两者均列为次重要特征。预测与实际响应图以及残差图表明模型整体预测性能良好,但存在一些异常值和偏差。
针对OH基团的回归模型分析表明,高斯过程回归模型的预测总体与实际响应值对齐良好,但部分记录(如第3、5、8和9条)的预测值偏离较大。高斯过程回归模型表现最优,验证和测试R
2值均达到1.00,RMSE极低(0.01-0.03)。F检验算法显示温度特征的重要性评分为12.9011,是关键预测因子;RRelief算法中温度重要性为0.417621,而Ti含量为负值(-0.094559)。MRMR算法中两者重要性均接近零。残差分析和预测与实际响应图显示,模型对较低响应值预测一致,但对较高响应值(约1520和1560)的准确性下降,可能存在过拟合或欠拟合问题。
针对TiO
2基团的回归模型分析中,高斯过程回归模型表现远超SVM和神经网络,验证R
2达到1,RMSE仅为0.01,MAE为0.01,表明几乎解释了所有数据变异性。SVM模型R
2为0.978,表现尚可;神经网络模型R
2约为0.93,效果最差。F检验算法显示温度的重要性评分高达3.8853,而Ti含量仅为0.290516。MRMR算法中两者重要性得分相同且极小(2.22045×10
-16);RRelief算法中温度为0.376477,Ti含量为负值(-0.0490256)。散点图显示模型对中高实际响应值存在低预测偏差。
模型性能综合比较分析显示,羟基磷灰石(OH)是骨科植入物预测建模中最可靠的材料,验证与测试结果的RMSE差异仅为0.02%,突出其一致性。磷酸基羟基磷灰石(PO
4)的测试RMSE比验证高13%,显示显著的不稳定性和较差的泛化能力。二氧化钛(TiO
2)的差异最大,测试RMSE比验证值低99.99%,暗示特定条件下的潜在问题。MSE分析同样表明OH在所有模型中均为最可靠材料,高斯过程回归中验证与测试MSE差异近乎完美改善(达100%)。PO
4的MSE降低24.44%-98.92%,显示明显不稳定性;TiO
2的测试MSE降低96.16%-100%,暗示潜在过拟合和不一致性。MAE分析中OH的验证与测试差异最小,高斯过程回归中实现100%降低;PO
4测试MAE降低14.28%-93.23%;TiO
2测试MAE降低86.3%-100%。R
2分析中OH在所有模型中表现最强一致性,高斯过程回归测试集R
2为1;PO
4的R
2在SVM中为0.15221,神经网络中为-5.81175,显示严重不稳定;TiO
2在SVM和高斯过程回归中表现合理,但神经网络中为-0.36355。
不同温度(600°C、750°C、900°C)和Ti含量(2.21 ml、5.5 ml、9.81 ml)下功能团存在情况分析显示:随温度升高,OH和TiO
2浓度通常上升,而PO
4呈非线性变化,在750°C达到峰值。较高温度促进OH和TiO
2基团形成,可能增强材料稳定性和生物活性。2.21 ml Ti含量下,OH在所有温度下浓度均高于PO
4和TiO
2,且900°C时显著增加,表明OH具有更优的热稳定性和官能团保留能力。5.5 ml和9.81 ml Ti含量下,OH浓度随温度升高而增加,900°C时达到峰值;PO
4和TiO
2变化适中,TiO
2在750°C后保持稳定,表明Ti改性HA具有热稳定性和增强的羟基化程度。
研究结论指出,基于机器学习的实验FTIR数据回归分析是从复杂光谱数据中提取定量信息的可靠方法。FTIR光谱中化学组成与分子振动之间存在复杂关系,传统分析方法难以处理非线性问题,而支持向量机和神经网络等机器学习技术可轻松分析这些非线性依赖关系。数学模型在机器学习程序中可更精确准确地预测输出变量。F检验和MRMR检验确认,对于OH基团形成,Ti含量(ml)和温度均起重要作用;对于PO
4和TiO
2基团,仅温度起显著作用,而预测Ti含量对官能团形成的影响则需进一步细化,这可能有助于复合材料建模。SVM、高斯回归和神经网络等模型有助于捕获材料性能与官能团之间的复杂关系,从而有助于钛羟基磷灰石复合材料的配方设计。