在制药领域，传统制药方法虽能满足大规模单一制剂生产，可在早期临床试验面临挑战。此时，药物喷墨 3D 打印技术崭露头角，这种高度灵活、智能化的制药方式，数字化控制打印，可实现剂量控制与自由设计，为个性化给药带来希望。但在药物喷墨打印中，墨水特性优化与印刷效果一直是研究重点，传统依据奥内佐格数预测墨水可打印性的方法并不准确。如今，机器学习技术的引入为这一难题带来转机。

圣地亚哥德孔波斯特拉大学和伦敦大学学院的研究人员将机器学习模型用于预测生物墨水可打印性，相关研究成果发表在《International Journal of Pharmaceutics: X》期刊上。奥内佐格数（Ohnesorge）在流体力学中衡量黏性力与惯性力、表面张力的关系，常被用于预测墨水可打印性，通常认为可打印配方中 0.1 < Ohnesorge < 1，即 1 < Z < 10（Z 值是 Ohnesorge 倒数）时墨水可打印。然而，在此次研究的可打印墨水配方中，Z 值处于 1 至 62.2 之间，有 68 组墨水配方的 Z 值大于 10，这表明单纯依靠 Z 值预测可打印性存在局限。

为提高预测准确度，研究人员开发了人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）三种机器学习模型。他们通过计算科恩卡帕系数（kappa）、判定系数（R²）和平均绝对误差（MAE）对比模型性能，同时探究模型、特征集以及超参数的组合关系。

在预测墨水可打印性方面，RF 模型表现最佳。优化后的 RF 模型准确率高达 97.22%，kappa 系数为 0.854，显示出极高的可靠性。对于预测墨水质量，即预测可打印墨水是否产生卫星液滴，ANN 模型拔得头筹，优化后的 ANN 模型准确率为 97.14% ，kappa 系数为 0.74。虽然数据集存在不均衡情况（大部分为可打印配方，不可打印配方占比小），但模型分数和准确率表明其预测可靠。在制药喷墨打印预测药物剂量上，RF 模型表现出色。若采用预定义超参数及材料名称分组的特征集，RF 模型性能最佳；若移除残差数据集最小阈值，ANN 模型表现略好，但 RF 模型因数据集规模更大、药物剂量在典型范围数据比例较高，更适合优化，优化后的 RF 模型 R² 为 0.800，MAE 为 0.291，可在 ±0.291 mg 误差范围内预测药物剂量。

此外，加拿大卡尔加里大学的 Keekyoung Kim 教授团队在《Advanced Science》期刊发表文章，利用机器学习优化生物打印参数。生物打印技术虽潜力巨大，但在生成一致微尺度液滴和优化众多打印参数方面困难重重，传统试错法耗时耗力还浪费材料。该团队通过开发定制 3D 生物打印机和配套软件，结合机器学习算法，能自动测量液滴体积并优化打印参数，创建的用户友好网页界面，让缺乏经验的用户也能轻松进行类器官打印，显著提升了生物打印效率，减少人力和成本投入。

药物喷墨 3D 打印技术借助机器学习，在生物墨水可打印性、墨水质量以及药物剂量预测上取得显著进展。这不仅提升了药物喷墨 3D 打印技术的可靠性与准确性，还为其在制药领域的广泛应用注入强大动力。未来，随着技术不断完善，药物喷墨 3D 打印有望在早期药物研发中发挥更大作用，加速临床试验进程，缩短新药上市周期。同时，通过为患者量身定制精确剂量，实现个性化医疗，为更多患者带来福音，推动整个制药行业迈向精准、高效的新时代。