材料信息学发展新的恢复性牙科材料:叙述审查
Satoshi山口
合肥李
Satoshi Imazato- 生物材料科学,大阪大学牙科学院毕业,Suita,日本大阪
材料信息学包含计算方法的应用过程和解释有关材料科学和工程数据。尽管这个概念建立在生物学、药物发现,和经典的材料研究,其应用领域的牙科材料仍处于起步阶段。这种叙述全面回顾总结了优点,限制,和未来的角度探索最优的材料信息从2003年到2022年作品在开发新材料使用人工智能。研究结果表明,材料信息,识别和建立概念在材料科学领域,将加速修复材料的发展和贡献的过程生产牙科材料研究的新见解。
介绍
材料信息学(MI)是材料科学领域的研究,及其重要性稳步增加等新材料的发现合金(1- - - - - -3)、聚合物(4,5)和陶瓷(6)。一些材料已经成功合成根据发现(7- - - - - -9)。“材料信息学”一词在2003年首次使用小罗杰斯(10),定义为“计算方法的应用处理和解释科学和工程数据有关的材料。“有关这个领域的出版物已经极大地提高了自2015年(11),几年之后的陈述材料基因组计划在2011年(12)。深度学习的成功(13)和大数据(14,15)也引发了加速度在MI的研究。
机器学习,这是一个更广泛的深度学习的概念16),是一种数据分析技术,采用人工智能(AI)探讨法规基础数据集通过定义明确的输入和输出数据集之间的关系在体外实验。它最近已成为一个主要的工具在MI和已被用于预测材料性能作为一个直接的问题解决方案从未知特性(成分、实验条件等)(17),不能用于一个回归模型的发展。基于密度泛函理论相比,传统的方法需要高性能计算机集群,机器学习模型可以用最小的计算机资源开发(18)。在心肌梗死,解决逆问题获得特性实现理想的材料属性是特别重要的发现新材料(图1)。
图1。示意图说明材料信息学的方法。
在牙科领域,李等人首先应用MI的挠曲强度预测方法计算机辅助设计/计算机辅助制造(CAD / CAM)树脂复合材料,他们成功地探索最优成分来达到理想的挠曲强度(19)。因此,MI方法有望使牙科材料研究更有效的比传统的试错的方法(20.)。
叙述全面回顾总结了优势,限制,和未来的视角MI从2003年到2022年,特别关注方法论探索最优组合,从而达到预期的牙科材料的属性使用机器学习的方法。
为修复材料及其重要性质
树脂复合材料
树脂复合材料作为间接修复材料包括玻璃填料、单体和硅烷偶联剂(21)。抗弯强度是最典型的力学性能评价树脂复合材料的断裂和变形阻力(22),可以通过测量根据ISO 4049:2019(三点弯曲试验23)。已经建立了填料媒体和单体渗透制造计算机辅助设计/计算机辅助制造(CAD / CAM)树脂复合材料(24)。CAD / CAM树脂复合材料的弯曲强度明显优于树脂复合材料填充,是可以接受的后牙修复(25)。然而,CAD / CAM树脂还有挠曲强度低于微晶玻璃材料(26)因为退化的硅烷偶联剂(27)。
玻璃陶瓷
陶瓷被广泛用作间接修复材料由于其高生物相容性和令人愉悦的美学(28)。锂二矽酸盐玻璃陶瓷是材料选择前牙修复作为单一机组皇冠(29日)。预先结晶状态含有硅酸盐和锂二矽酸盐核,再结晶的热处理。热处理后,弯曲强度增加显著(28)。最近开发的锂二矽酸盐玻璃陶瓷研磨后不需要任何解雇(30.),预计将减少椅子上时间。在这方面,MI方法将适合最近锂二矽酸盐玻璃陶瓷,没有相变。除了三点弯曲试验、双轴弯曲强度试验(31日)通常用于评估的抗弯性能锂二矽酸盐玻璃陶瓷(32)。
树脂/玻璃离子交联聚合物水泥
长期的临床牙科修复的成功取决于,在某种程度上,使用火泥密封的水泥和水泥灌浆过程。火泥密封水泥的主要任务是提供一个不受桥台之间的密封和修复(33)。树脂复合水泥和玻璃离子交联聚合物水泥(GIC)广泛应用类型的牙胶(34)。传统的新加坡政府投资公司是由钙fluoro-aluminosilicate玻璃粉加上水溶性多羧酸的酸。树脂复合水泥可分为胶和粘性树脂水泥(35)。前有一个成分类似于恢复树脂复合材料、填料浓度较低,确保薄膜厚度和一个可接受的工作时间(36)。后者允许牙齿修复坚持不使用单独的粘合剂和腐蚀剂。自粘的树脂水泥的主要成分包括酸性功能单体,传统利用丙烯酸单体,填料,activator-initiator系统(35)。机械强度和处理是重要的属性时需要考虑使用不同的涂胶泥粘牢。抗弯强度测试,测试方法中指定的树脂复合材料和水泥ISO 4049:2019通常采用。然而,由于涂胶泥水泥申请固定假体形成薄层,川岛等人提出了一个评价方法评估机械强度(抗弯、抗拉和抗剪强度)的成膜自粘的树脂反映水泥厚度(37)。一致性评价方法来确定树脂水泥要测试是否有适当的流动性设置假肢设备也提出了相同的作者(38)。
材料信息
数据准备
描述符(x)等材料成分(如填料、单体和硅烷偶联剂)和合成条件(例如,压力和温度)的材料属性(y)(例如,抗弯强度)是人类知识显示定义的在体外实验(例如,三点弯曲试验)。描述符通常规范化(从0到1)和标准(值= 0,标准偏差= 1),以避免non-convergence。开发一个好的泛化模型,从实验数据描述符应适当选择。
回归模型的发展
机器学习可以分为监督和非监督学习。监督学习是由以下方程:
在哪里x是小姐的描述符,y是目标变量。当目标变量是由连续的数字,解这个方程之间的关系x和y被称为回归。合身的直线或曲线可以得出使用机器学习算法。这安装直线或曲线称为回归模型。在许多案件描述符,合适的情节是困难的,和机器学习算法,如神经网络,支持向量机,和随机森林是必需的。MI的方法,可翻译的机器学习有助于获得新的想法来确定最优新材料的描述符。预测性能和可解释性模型之间的关系是一个权衡,如所示图2。
图2。预测性能和可解释性模型之间的关系。
模型评价
最合适的描述符之间的关系(x)和目标变量(y)可以由所选算法来确定最合适的hyperparameters代表的关系。在这个过程中,在体外数据集通常被分为训练和测试数据,以避免过度拟合,可以很好地适用于训练数据来确定关系,但无法适应看不见的数据在测试集(39)。训练数据集随机分成两组:80%或70%(取决于数据集有多大)的数据用于训练模型,剩下的20%或30%是用于测试。训练数据集,进一步避免过度拟合k倍交叉验证方法,模型训练数据k次了。对于每次迭代,被分为训练数据k子集;k−1子集被用来训练模型,kth被用来作为测试数据子集。的hyperparameters交叉验证过程中表现出最好的性能选择的机器学习模型。确定系数(R2值),均方根误差(RMSE),平均绝对误差(美)被用来评估回归训练机器学习模型的准确性。这些指标表示如下:
在哪里从获得的材料特性在体外实验中,是预测材料性能的机器学习算法训练,然后呢测试样品的数量。值接近1表示模型的可预测性好,而另两个指标接近于零表示良好的可预测性。
最佳描述符搜索
如果良好的回归模型是成功开发,实现理想的材料属性的最佳描述符可以反向搜索。最简单的方法是使用线性回归模型一个详尽的搜索。从所有的组合描述符,材料属性是根据回归模型,预测和材料属性可以选择最佳的性能。然而,在涉及很多的搜索描述符,预测过程将耗费时间。贝叶斯优化(BO)可以克服这个问题通过发展非线性回归模型(也称为“代理模式”)和采集功能。常用的概率分布是高斯过程回归模型,估计均值和方差的训练数据的后验分布。然而,描述符的尺寸可以大,导致大量的反应空间的成千上万的可能的成分,不能进行在体外更新后验分布。因此,训练后代理模型,收购函数用于选择下一个试验实验的反应空间。有两种典型的战略收购功能:勘探和开发。开发往往会选择下一个实验在附近的当前的最佳观测值,同时探索倾向于选择下一个点的预测的不确定性,并彻底调查整个反应空间(40)。常用的采集等功能预期改善(EI)旨在平衡这两种策略。盾等。使用波方法优化两种反应的产量在制药领域,成功发现非传统的组成和配置由人类专家,一般没有选择和改进的收益率在短短40实验(40)。总的来说,一个详尽的搜索处理时可以考虑一个小反应空间;然而,在反应涉及大量的搜索空间不同成分、浓度,温度,压力,如新型牙科材料的发展,所有失败的数据积累在发展过程中可以作为训练数据和BO方法可以考虑加速过程寻找新的配方。
局限性和未来的角度
MI方法打开门加速新型牙科材料的发现和设计。然而,这种新型牙科材料的合成仍然是困难由于制造过程的复杂性。与牙科材料研究的进一步发展,过程信息(π)(41,42),它是合成的方法实际材料MI的方法的基础上,将获得更多的关注。建立一个可持续的开放数据库积累信息不同的制造工艺,不管成功或失败,重要的是实现π。使用机器学习的autonomation制造过程(43- - - - - -47)将协助MI和π方法的结合。
总结
在这故事回顾,全面总结了方法使用MI方法探索优化材料成分。MI方法有望加速牙在牙科材料研究和促进多学科研究。
作者的贡献
SY负责手稿准备和文学研究。霍奇金淋巴瘤和SI手稿修改。所有作者的文章和批准提交的版本。
确认
我们要感谢Editage (www.editage.com)英语编辑。作者声明没有潜在的利益冲突对这篇文章的作者和/或出版。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
1。诺维科夫先生我Kovalyova O, Shapeev Hodapp m . AI-accelerated材料信息学方法的发现韧性合金。J板牙Res。(2022)37:3491 - 504。doi: 10.1557 / s43578 - 022 - 00783 - z
2。田村R,渡边M、玛米亚H, Washio K,矢野米,Danno K, et al。了解铝合金材料信息学的方法。Sci抛光工艺难以板牙。(2020)21 (1):540 - 51。doi: 10.1080 / 14686996.2020.1791676
3所示。陈Rickman JM,嗯,伤害MP,比赛是的,奇迹CJ,罗伊,等。材料筛选信息的多元化元素和结构熵值合金。Nat Commun。(2019)10 (1):2618。doi: 10.1038 / s41467 - 019 - 10533 - 1
4所示。Hara K,山田年代,Kurotani Chikayama E,菊池j .材料信息学方法使用域建模探索聚合物的组织性能之间的关系。Sci Rep-Uk。(2022)12 (1):10558。doi: 10.1038 / s41598 - 022 - 14394 - 5
5。万卡特拉曼·莱马克里斯V, Alsberg BK。设计high-refractive指数聚合物使用材料信息学。聚合物(巴塞尔)。(2018)10 (1):103。doi: 10.3390 / polym10010103
7所示。德黑兰,Oliynyk AO,帕里M, Rizvi Z, Couper年代,林F, et al。机器学习定向搜索ultraincompressible,超硬材料。J是化学Soc。(2018)140 (31):9844 - 53。doi: 10.1021 / jacs.8b02717
8。金SY,汉族,李年代,康JH, Yoon年代,公园W, et al。发现高性能有机框架车载甲烷储存和交付通过LNG-ANG耦合:高通量筛选、机器学习和实验验证。阿德科学。(2022)9 (21):2201559。doi: 10.1002 / advs.202201559
9。Wahl CB, Aykol M,史伟莎JH,蒙托亚JH, Suram SK,墨金CA。机器learning-accelerated polyelemental异质结构的设计和合成。Sci副词。(2021)7 (52):eabj5505。doi: 10.1126 / sciadv.abj5505
12。国家科学技术委员会(美国)。材料基因组计划对全球竞争力。华盛顿特区:总统执行办公室,国家科学技术委员会(2011)。可以从:http://purl.fdlp.gov/GPO/gpo9333
16。Corbella年代,斯年代,Cabitza f的应用深度学习在牙科。口腔口腔医学杂志口服中草药口服Radiol。(2021)132 (2):225 - 38。doi: 10.1016 / j.oooo.2020.11.003
18岁。彼得森GGC, Brgoch j .材料发现通过机器学习形成的能量。J phy能源。(2021)3 (2):022002。2515 - 7655 . doi: 10.1088 / / abe425
19所示。李H,酒井法子T,田中,Ogura M,李C,山口年代,et al。可判断的AI探索有效成分的CAD / CAM树脂复合材料。J削弱Res。(2022)101 (11):1363 - 71。doi: 10.1177 / 00220345221089251
20.王AYT,默多克RJ Kauwe SK, Oliynyk AO, Gurlo, Brgoch J, et al。机器学习材料科学家:入门指南对最佳实践。化学物质的。(2020)32 (12):4954 - 65。doi: 10.1021 / acs.chemmater.0c01907
22。式N,希尔顿TJ Heintze SD, Hickel R,瓦特,Silikas N, et al .牙科学院材料guidance-resin复合材料:一部分I-mechanical属性。削弱板牙。(2017)33 (8):880 - 94。doi: 10.1016 / j.dental.2017.04.013
24。冈田克也K, Kameya T, Ishino H, sessue Hayakawa T .小说技术准备牙科CAD / CAM使用填料复合树脂块媒体和单体渗透方法。削弱板牙J。(2014)33 (2):203 - 9。doi: 10.4012 / dmj.2013 - 329
25。Kani山口S, R,川上K,教授M,井上年代,李C, et al。疲劳行为和裂纹萌生的CAD / CAM树脂复合摩尔的花冠。削弱板牙。(2018)34 (10):1578 - 84。doi: 10.1016 / j.dental.2018.07.002
26岁。诡计ND, Sadoun乔丹。复合材料为牙科CAD / CAM应用程序块。J削弱Res。(2014)93 (12):1232 - 4。doi: 10.1177 / 0022034514553976
27。李C,山口,Imazato S退化量的定量评价计算机辅助设计/计算机辅助制造的硅烷偶联层吸水树脂复合材料。J Prosthodont Res。(2023)67 (1):55 - 61。doi: 10.2186 / jpr.JPR_D_21_00236
28。李RW, Chow TW, Matinlinna JP。陶瓷牙科生物材料和CAD / CAM技术:艺术的状态。J Prosthodont Res。(2014)58 (4):208 - 16。doi: 10.1016 / j.jpor.2014.07.003
29。Makhija SK,劳森数控,吉尔伯特GH, Litaker女士,麦克勒兰德是的,路易博士,et al .牙医为单一机组冠材料选择:结果从国家牙科基于实践研究网络。J削弱。(2016)55:40-7。doi: 10.1016 / j.jdent.2016.09.010
30.Garoushi年代,Sailynoja E, Vallittu PK,斯莱虽然l .断裂行为的CAD / CAM陶瓷冠之前和之后的循环疲劳老化。Int J Prosthodont。(2021)。doi: 10.11607 / ijp.7207。[Epub提前打印]33625389
32。王F,陈于T, j .双轴弯曲强度和半透明的牙科锂二矽酸盐的特点与不同的半透明玻璃陶瓷。J Prosthodont Res。(2020)64 (1):71 - 7。doi: 10.1016 / j.jpor.2019.04.007
33。Souza套、Freitas广告、费雷拉D,玛雅LC,对此结核病。预热的使用恢复树脂复合作为火泥密封剂影响固定牙齿的适应假肢吗?系统回顾。J Prosthet削弱。(2022)。doi: 10.1016 / j.prosdent.2022.02.008。(Epub提前打印)
37岁。川岛M,山口年代,我,李H, Imazato美国小说测试方法评估自粘的树脂的机械强度水泥水泥厚度的反射。削弱板牙J。(2021)40 (5):1235 - 42。doi: 10.4012 / dmj.2020 - 456
38。川岛,我的一个山口年代,Imazato S .测量方法的新发展树脂粘合剂的一致性。削弱板牙J。(2021)40 (4):1063 - 7。doi: 10.4012 / dmj.2020 - 396
39岁。Geron。实际机器学习与Scikit-learn、Keras TensorFlow:概念、工具和技术来构建智能系统。》第二版,塞瓦斯托波尔O ' reilly Media (2019)。29个p。
40。盾牌BJ,史蒂文斯J,李J, Parasram M, Damani F,阿尔瓦拉多吉姆,et al。贝叶斯反应优化作为化学合成的一种工具。自然。(2021)590 (7844):89 - 96。doi: 10.1038 / s41586 - 021 - 03213 - y
41岁。Vaucher AC, Zipoli F, Geluykens J, Nair VH, Schwaller P,往往t自动提取的化学合成操作实验过程。Nat Commun。(2020)11 (1):3601。doi: 10.1038 / s41467 - 020 - 17266 - 6
42。金E,詹森Z, van Grootel,黄K, Staib M,迈索尔年代,et al。无机材料合成与literature-trained神经网络规划。J化学正模型。(2020)60 (3):1194 - 201。doi: 10.1021 / acs.jcim.9b00995
43。Coley CW,托马斯·达3日Lummiss果酱,Jaworski律师事务所约,布林CP,舒尔茨V, et al。机器人平台流合成有机化合物根据人工智能规划。科学。(2019)365 (6453):eaax1566。doi: 10.1126 / science.aax1566
44岁。汉堡B, Maffettone点,古瑟夫VV, Aitchison厘米,白Y,王X, et al。移动机器人化学家。自然。(2020)583 (7815):237 - 41。doi: 10.1038 / s41586 - 020 - 2442 - 2
45岁。奶奶JM, Donina L Dragone V, DL,克罗宁L .控制有机合成与机器学习机器人寻找新的反应。自然。(2018)559 (7714):377 - 81。doi: 10.1038 / s41586 - 018 - 0307 - 8
46岁。李Z, Najeeb妈,阿尔维斯L,谢尔曼AZ, Shekar V,高潮PC, et al . Robot-accelerated钙钛矿调查和发现。化学物质的。(2020)32 (13):5650 - 63。doi: 10.1021 / acs.chemmater.0c01153
关键词:人工智能,深度学习/机器学习,材料信息,发指令,数字牙科,恢复牙齿的材料
引用:山口,李H和Imazato年代(2023)材料信息学发展新的恢复性牙科材料:叙述审查。前面。凹痕。地中海4:1123976。doi: 10.3389 / fdmed.2023.1123976
收到:2022年12月14日;接受:2023年1月4日;
发表:2023年1月26日。
编辑:
Josette卡米尔英国伯明翰大学©2023山口,李和Imazato。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*函授:Satoshi山口yamaguchi.satoshi.dent@osaka-u.ac.jp
专业:这篇文章提交到牙科材料、牙科医学科学前沿》杂志上的一个部分雷竞技rebat