基于可见光-近红外光谱与机器学习的组织工程软骨成熟度无损评估新方法

为解决组织工程软骨(TEC)培养过程中传统生化检测方法破坏样本、无法纵向监测的问题，研究人员创新性地结合可见光-短波近红外(VIS-SNIR)和近红外(NIR)光谱技术，通过机器学习(ML)模型实现了糖胺聚糖(GAGs)与DNA含量的无损预测。研究构建了6种TEC样本，采用光纤探头和多通道光谱仪同步采集光谱数据，开发出最优预测模型（GAG预测R2=0.79，DNA预测R2=0.81），并成功以100%准确率区分未成熟与成熟组织。该方法为软骨修复的个性化治疗和培养过程实时监控提供了突破性技术支撑。

　　

软骨损伤修复是临床面临的重大挑战，由于软骨组织缺乏血管和神经，自我修复能力极差，一旦损伤极易发展为骨关节炎。组织工程(TE)技术通过将软骨细胞植入支架体外培养，为软骨修复带来希望。然而，传统评估方法需要破坏性检测糖胺聚糖(GAGs)和DNA含量——这两项关键指标分别反映细胞外基质(ECM)沉积和细胞活性，导致无法对同一构建体进行连续监测。更棘手的是，即使相同培养条件下，不同供体来源或同批次的构建体成熟时间也存在显著差异，这使得固定培养周期的传统方法既低效又不可靠。

针对这一瓶颈，由荷兰乌得勒支大学等机构组成的研究团队在《Biosensors and Bioelectronics》发表创新成果。研究人员设计了一套融合可见光-近红外光谱与机器学习的前沿方案：通过光纤探头同步采集350-2500nm范围光谱数据，结合自动化机器学习(TPOT)优化算法，首次实现了TEC成熟度的无损动态评估。

关键技术包括：1) 制备6种TEC构建体（2种水凝胶×3种生长因子方案，培养7/28天）；2) 采用多通道光谱仪同步采集VIS-SNIR(350-1100nm)和NIR(950-2500nm)光谱；3) 创新性使用细胞游离对照样本进行扩展乘性信号校正(EMSC)预处理；4) 通过蒙特卡洛交叉验证(MCCV)优选光谱范围与算法组合；5) 采用留一样本交叉验证(LOOCV)评估模型性能。

【研究结果】

3.1 构建体生物化学特征
所有28天培养样本的DNA、GAG含量及GAGs/DNA比值均高于7天样本，其中连续BMP9处理组的差异最显著（p<0.0001）。但相同培养时间的样本间存在高达78.5%的变异度，凸显个性化监测的必要性。

3.2 光谱预处理优化
通过EMSC校正有效消除了水凝胶老化引起的光谱干扰。VIS-SNIR光谱在435nm和983nm处分别出现GAGs和DNA的特征峰，而NIR光谱因深度穿透特性更利于检测细胞成分。

3.3 机器学习模型性能
VIS-SNIR光谱结合AdaBoost算法对GAGs预测最优（R²=0.79），而NIR光谱预测DNA更准确（R²=0.81）。特征重要性分析显示，435nm吸收可能与培养基中酚红被ECM替代相关，而983nm峰对应细胞膜的C-H键振动。

3.4 成熟度分类
预测的GAGs/DNA比值与实际值相关性达R²=0.77，设定阈值0.055时可100%准确区分成熟与未成熟样本。排除两类样本不足的构建体后，相关性提升至R²=0.96。

【结论与意义】
该研究开创性地证明多光谱融合策略可突破传统检测的破坏性局限。VIS-SNIR光谱通过散射效应敏感捕捉ECM变化，而NIR光谱凭借深层穿透能力优化细胞检测，二者互补形成"ECM-细胞"双重监测体系。特别值得注意的是，该方法对培养环境变化（如水凝胶降解）具有鲁棒性，这得益于EMSC预处理对非目标信号的智能过滤。

从转化医学角度看，该技术可通过光纤探头集成到生物反应器，实现三大突破：1) 动态追踪个体化成熟曲线，替代固定培养周期；2) 实时识别生长停滞或退化等异常模式；3) 优化生长因子方案时，可比对达到目标GAGs/DNA所需时间而非终点数值。未来研究需扩大样本多样性并优化NIR光谱采集质量，但这项技术已为智能生物制造和精准软骨修复开辟了新途径。