INTEGRATION OF MULTIPHYSICS MODELING AND MACHINE LEARNING FOR THE DEVELOPMENT OF MAGNETIC CELL DELIVERY SYSTEMS

M. V. Solopov1, V. V. Turchin1, A. G. Popandopulo1, A. S. Kavelina1

About the authors

M. V. Solopov1, V. V. Turchin1, A. G. Popandopulo1, A. S. Kavelina1

Солопов М. В. – научный сотрудник, лаборатория клеточных и тканевых биотехнологий ФГБУ «ИНВХ им. В.К. Гусака» Минздрава России, 283045, Донецк, пр-кт. Ленинский, 47. Область научных интересов: регенеративная биомедицина, клеточные технологии, искусственный интеллект, машинное обучение, нейронные сети

Турчин В. В. – старший научный сотрудник, лаборатория клеточных и тканевых биотехнологий ФГБУ «ИНВХ им. В.К. Гусака» Минздрава России, 283045, Донецк, пр-кт. Ленинский, 47. Область научных интересов: регенеративная биомедицина, клеточные технологии

Попандопуло А. Г. – д.мед.н, профессор, заведующий лабораторией клеточных и тканевых биотехнологий ФГБУ «ИНВХ им. В.К. Гусака» Минздрава России, 283045, Донецк, пр-кт. Ленинский, 47. Область научных интересов: регенеративная биомедицина, клеточные технологии, хирургия

Кавелина А. С. – к.мед.н, старший научный сотрудник, лаборатория клеточных и тканевых биотехнологий ФГБУ «ИНВХ им. В.К. Гусака» Минздрава России, 283045, Донецк, пр-кт. Ленинский, 47. Область научных интересов: регенеративная биомедицина, клеточные технологии

Акопян Г. В. – научный сотрудник, лаборатория клеточных и тканевых биотехнологий ФГБУ «ИНВХ им. В.К. Гусака» Минздрава России, 283045, Донецк, пр-кт. Ленинский, 47. Область научных интересов: регенеративная биомедицина, клеточные технологии

Легенький Ю. А. – старший научный сотрудник, ФГБОУ ВО «Донецкий государственный университет», 283001, Донецк, ул. Университетская, 24. Область научных интересов: физика магнитных полей, биофизика

Беспалова С. В. – д.ф.-м.н, профессор, ректор, ФГБОУ ВО «Донецкий государственный университет», 283001, Донецк, ул. Университетская, 24. Область научных интересов: физика магнитных полей, биофизика

Download PDF

UDC: 004.032.26+004.8+537.622+616-089
DOI: 10.24412/2413-7383-2025-3-38-190-197
Language: Russian

Abstract: оптимизация. Magnetic-guided delivery of mesenchymal stem cells (MSCs) is a promising approach for deep tissue therapy, such as for femoral neck fractures, but it requires powerful external magnetic systems. This work presents an approach for their automated design using machine learning. Based on a multiphysics model, a target magnetic force factor of B⋅∇B≥26.5 Т2/м was established. Using Bayesian optimization integrated with finite element modeling, a system configuration capable of generating a force factor of 21.35 Т2/м at a target depth of 5 cm was found. The study demonstrates that the synergy of machine learning and modeling is a powerful tool for automating the development of complex medical devices.

Keywords: mesenchymal stem cells, magnetic cell delivery, regenerative medicine, machine learning, multiphysics modeling, finite element modeling, magnetic fields, biomedical devices, optimization.

References

1. Ridha M. Al -Jabri T. Stelzhammer T. et al. Osteosynthesis, Hemiarthropla sty, Total Hip Arthroplasty in Hip Fractures: All I Need to Know. Injury. 2024. Vol. 55. P. 111377. DOI: 10.1016/j.injury.2024.111377.
2. Han D. Liu W. Gong J. et al. Challenges and Future Perspectives in Using Mesenchymal Stem Cells for Efficient Bone Fracture Healing. Frontiers in Bioengineering and Biotechnology. 2025. Vol. 13. P. 1568914. DOI: 10.3389/fbioe.2025.1568914.
3. Silva L.H.A. Cruz F.F. Morales M.M. et al. Magnetic Targeting as a Strategy to Enhance Therapeutic Effects of Mesenchymal Stromal Cells. Stem Cell Research & Therapy. 2017. Vol. 8. P. 58. DOI: 10.1186/s13287-017-0523-4.
4. Guldris N. Argibay B. Gallo J. et al. Magnetite Nanoparticles for Stem Cell Labeling with High Efficiency and Long-Term in Vivo Tracking. Bioconjugate Chemistry. 2017. Vol. 28. P. 362–370. DOI: 10.1021/acs.bioconjchem.6b00522.
5. Korsakova A.S. Kotsikau D.A. Haiduk Y.S. et al. Synthesis and Physicochemical Properties of MnxFe3–xO4 Solid Solutions. Journal of the Belarusian State University. Chemistry. 2020. Vol. 22. P. 466–472. DOI: 10.17308/kcmf.2020.22/3076.
6. Zhong Z. Akkus O. Effects of Age and Shear Rate on the Rheological Properties of Human Yellow Bone Marrow. Biorheology. 2011. Vol. 48. P. 89–97. DOI: 10.3233/BIR-2011-0587.
7. Gurkan U.A. Akkus O. The Mechanical Environment of Bone Marrow: A Review. Annals of Biomedical Engineering. 2008. Vol. 36. P. 1978–1991. DOI: 10.1007/s10439-008-9577-x.
8. Liu T. Xiong B. Cui X. et al. Numerical Study of Interstitial Fluid Flow Behavior in Osteons under Dynamic Loading. BMC Musculoskeletal Disorders. 2025. Vol. 26. P. 187. DOI: 10.1186/s12891 -025-08425-1.
9. Zakariapour M. Hamedi M.H. Fatouraee N. Characteristics of Interstitial Fluid Flow along with Blood Flow inside a Cylindrical Tumor: A Numerical Simulation. Acta Scientiarum. Technology. 2018. Vol. 40. P. 30792. DOI: 10.4025/actascitechnol.v40i1.30792.
10. Sarwar A. Nemirovski A. Shapiro B. Optimal Halbach Permanent Magnet Designs for Maximally Pulling and Pushing Nanoparticles. Journal of Magnetism and Magnetic Materials. 2012. Vol. 324. P. 742–754. DOI: 10.1016/j.jmmm.2011.09.008.
11. Guan W. Gao H. Liu Y. et al. Application of Magnetism in Tissue Regeneration: Recent Progress and Future Prospects. Regenerative Biomaterials. 2024. Vol. 11. P. rbae048. DOI: 10.1093/rb/rbae048.
12. Hu H. Krishaa L. Fong E.L.S. Magnetic Force-Based Cell Manipulation for in Vitro Tissue Engineering. APL Bioengineering. 2023. Vol. 7. P. 031504. DOI: 10.1063/5.0138732.

Issue: 3(38)'2025
Section: МЕТОДЫ И СИСТЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ, ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ
How to cite: M. V. Solopov1, V. V. Turchin1, A. G. Popandopulo1, A. S. Kavelina1. INTEGRATION OF MULTIPHYSICS MODELING AND MACHINE LEARNING FOR THE DEVELOPMENT OF MAGNETIC CELL DELIVERY SYSTEMS // Problems of Artificial Intelligence. - 2025. - № 3 (38). - P. 190-197. - https://paijournal.guiaidn.ru/en/2025/3(38)-17.html

Back to issue 3(38)'2025