マイクロ流体ミキサーの可変入力流量を持つGNNベースの濃度予測

近年、生化学的プロトコルの自動化にマイクロ流体バイオチップによってもたらされる大きな進歩が目撃されています。液体サンプルの正確な準備は、濃度の予測と生成が重要なこれらのプロトコルの重要なコンポーネントです。便利な製造と制御の利点を備えたマイクロ流体ミキサーは、サンプル調製に大きな可能性を示しています。有限要素分析（FEA）は、特定のマイクロ流体ミキサーの正確な濃度予測のために最も一般的に使用されるシミュレーション方法ですが、大きなバイオチップサイズのスケーラビリティが低いことに時間がかかります。最近、機械学習モデルが集中予測で採用されており、従来のFEA法よりも効率を高める可能性があります。ただし、最先端の機械学習ベースの方法は、固定入力流量と固定サイズを持つミキサーの濃度のみを予測できます。この論文では、グラフニューラルネットワーク（GNNS）に基づいた新しい濃度予測法を提案します。これは、さまざまな入力流量を持つマイクロ流体混合物の出力濃度を予測できます。さらに、トレーニングされたモデルをさまざまなサイズのミキサーに転送して、トレーニングデータを削減するための転送学習方法が提案されています。実験結果は、固定入力流量を持つマイクロ流体ミキサーの場合、提案された方法は、最先端の方法と比較して予測誤差の平均88％の減少を得ることを示しています。可変入力流量を持つマイクロ流体ミキサーの場合、提案された方法により、予測誤差が平均85％減少します。また、提案された転送学習方法により、トレーニングデータは、許容可能な予測エラーを伴うさまざまなサイズのマイクロ流体ミキサーの事前に訓練されたモデルを拡張するために84％減少します。

Recent years have witnessed significant advances brought by microfluidic biochips in automating biochemical protocols. Accurate preparation of fluid samples is an essential component of these protocols, where concentration prediction and generation are critical. Equipped with the advantages of convenient fabrication and control, microfluidic mixers demonstrate huge potential in sample preparation. Although finite element analysis (FEA) is the most commonly used simulation method for accurate concentration prediction of a given microfluidic mixer, it is time-consuming with poor scalability for large biochip sizes. Recently, machine learning models have been adopted in concentration prediction, with great potential in enhancing the efficiency over traditional FEA methods. However, the state-of-the-art machine learning-based method can only predict the concentration of mixers with fixed input flow rates and fixed sizes. In this paper, we propose a new concentration prediction method based on graph neural networks (GNNs), which can predict output concentrations for microfluidic mixters with variable input flow rates. Moreover, a transfer learning method is proposed to transfer the trained model to mixers of different sizes with reduced training data. Experimental results show that, for microfluidic mixers with fixed input flow rates, the proposed method obtains an average reduction of 88% in terms of prediction errors compared with the state-of-the-art method. For microfluidic mixers with variable input flow rates, the proposed method reduces the prediction error by 85% on average. Besides, the proposed transfer learning method reduces the training data by 84% for extending the pre-trained model for microfluidic mixers of different sizes with acceptable prediction error.