基于近红外光谱与机器学习无创监测软骨组织工程中培养基生物标志物的研究

为解决软骨组织工程中缺乏无创监测技术的问题，研究人员创新性地采用近红外光谱(NIRS)结合机器学习(ML)方法，通过分析培养基中透明质酸(hyaluronan)、乳酸(lactate)和胶原(collagen)等生物标志物的释放动态，实现了对组织生长的实时评估。研究显示NIRS预测标志物的R2值最高达0.976，为软骨再生提供了首个非破坏性培养基监测方案。

　　

关节软骨损伤是导致骨关节炎(OA)的主要原因，全球约6亿人受其困扰。传统组织工程(TE)技术面临核心挑战：缺乏实时、无创的监测手段评估组织生长质量。现有方法如组织切片和生化检测会破坏样本，而培养基中释放的透明质酸(hyaluronan)、乳酸(lactate)等生物标志物虽能反映细胞状态，却需复杂检测流程。

芬兰坦佩雷大学（Tampere University）的研究团队在《Biosensors and Bioelectronics》发表突破性研究，首次将便携式近红外光谱仪(NIRS)与机器学习结合，通过分析培养基光谱变化实现软骨生长的无创监测。研究人员将骨髓间充质干细胞(BMSCs)植入纯化结冷胶(NaGG)水凝胶，28天培养期间定期采集培养基进行NIRS检测，并采用支持向量回归(SVR)、随机森林(RFR)等算法建立预测模型。

关键技术包括：1）定制光纤探头(900-1700nm)采集培养基透反射光谱；2）Nippy软件进行112种光谱预处理组合优化；3）基于"留一法"交叉验证的机器学习建模；4）特征重要性分析确定关键光谱区域。所有实验样本来自芬兰科萨关节置换医院(Coxa Hospital)的临床捐赠者。

3.1. 组织学验证分化进程
Safranin O染色显示，BMSCs在NaGG中成功分化为软骨细胞，第14天蛋白聚糖沉积达峰值，第28天出现水凝胶降解迹象，证实模型有效性。

3.2-3.4 生物标志物动态特征
透明质酸在第9天前高释放（分化活跃期），后期下降（成熟期）；乳酸持续分泌（5-15 ng/mL）反映糖酵解活性；胶原稳定释放（10-40 ng/mL）提示ECM持续合成，但第21天出现异常值需进一步研究。

3.5 光谱时序变化
NIRS在1140-1220nm和1400-1540nm波段呈现显著时间依赖性变化，与培养基成分改变相关。

3.6 机器学习预测效能
SVR模型对透明质酸的预测精度最高（R²=0.976，MAPE=27%），RFR对乳酸预测良好（R²=0.701），胶原因数据波动预测较弱（R²=0.444）。

3.7 特征光谱解析
通过置换重要性分析发现：1600-1665nm（C=O键）对透明质酸敏感；950-1250nm（C-H/O-H键）关联乳酸代谢；1100-1250nm（胶原特征峰）虽被设备范围限制仍具检测潜力。

该研究开创性地证明NIRS可通过培养基实现软骨TE过程的无创监控，其便携设备（DWARF-Star光谱仪）和自动化分析流程为临床转化奠定基础。未来扩展检测波长范围（如增加2000-2500nm胶原特征峰）和纳入更多标志物（如糖胺聚糖）可进一步提升精度。这项技术突破不仅解决软骨TE的质量控制难题，更为其他组织工程领域提供了新型监测范式。