Generación de un modelo predictivo de la porosidad de soportes de gelatina empleando la red neuronal INQA

Abstract

El presente estudio propone el desarrollo de modelos predictivos para la caracterización de soportes de gelatina tipo B, con el objetivo de optimizar su aplicación en ingeniería de tejidos y sistemas de liberación controlada de fármacos. Para ello, se elaboraron 18 soportes por liofilización, variando la concentración del polímero (2%–10% p/v) y la temperatura de congelación (–20 °C y –80 °C). Los soportes se caracterizaron mediante diferentes técnicas: determinación de la porosidad total por el método de desplazamiento de solventes, análisis morfológico por microscopía óptica y estereoscopía con procesamiento de imágenes en ImageJ, evaluación de propiedades mecánicas (módulo de elasticidad) en texturómetro y medición del ángulo de contacto como indicador de hidrofilicidad. Con los datos experimentales se construyeron modelos predictivos utilizando redes neuronales artificiales implementadas en MATLAB. El modelo de porosidad total alcanzó un coeficiente de determinación (R²) de 0.932, confirmando su alta capacidad de predicción. En el caso del tamaño de poro, el modelo logró un R² de 0.819, mientras que para las propiedades mecánicas se obtuvo un ajuste moderado (R²) de 0.605 lo que sugiere que variables adicionales no consideradas como el grado de entrecruzamiento podrían influir en este comportamiento. Los resultados experimentales evidenciaron que bajas concentraciones y congelación a –20 °C favorecen la formación de soportes con alta porosidad y mayor tamaño de poro, mientras que altas concentraciones y congelación a –80 °C generan estructuras más compactas y con menor porosidad. En conjunto, estos hallazgos confirman la utilidad de las redes neuronales como herramientas para modelar procesos complejos en biomateriales, ofreciendo una estrategia eficiente y económica para predecir propiedades críticas y mejorar el diseño de soportes de gelatina destinados a aplicaciones biomédicas.