基于深度学习的机械拉伸刺激对成纤维细胞MMP-2基因表达水平预测模型的构建及其在慢性难愈性伤口治疗中的意义

针对慢性难愈性伤口（CRW）中细胞外基质（ECM）失衡的难题，空军军医大学唐都医院烧伤整形科团队通过构建深度学习（DL）模型，首次实现了机械拉伸参数（频率、强度、时长）对成纤维细胞基质金属蛋白酶-2（MMP-2）基因表达的精准预测。模型训练集R2 达0.73，外部验证集R2 为0.71，为个性化ECM替代材料设计和机械疗法优化提供了AI驱动的新范式。

　　

在老龄化社会背景下，慢性难愈性伤口（CRW）已成为全球公共卫生挑战，其治疗费用占医疗支出的1-3%。这类伤口的核心病理特征是细胞外基质（ECM）代谢紊乱——过度活化的基质金属蛋白酶-2（MMP-2）像失控的“分子剪刀”，肆意切割胶原蛋白等ECM成分，导致伤口微环境持续恶化。虽然机械拉伸被证实能调节MMP-2表达，但传统实验方法难以破解“拉伸参数-基因表达”的复杂非线性关系，更无法应对不同伤口ECM组成的个体化差异。

空军军医大学唐都医院李晶团队独辟蹊径，将人工智能引入细胞力学研究。他们开发了一套基于反向传播神经网络的深度学习模型，首次实现了从机械拉伸参数到MMP-2基因表达的端到端预测。这项突破性研究发表在《BioMedical Engineering OnLine》上，为CRW治疗提供了可量化的机械调控方案。

关键技术方法
研究团队通过定制化球形细胞拉伸装置，对人包皮来源成纤维细胞施加4种频率（0.05-0.2 Hz）、7种强度（0-22%）、4种时长（3-24 h）的正交组合刺激，采用RT-PCR检测MMP-2 mRNA水平。336组数据经7:3划分训练/验证集后，构建三隐藏层（128-64-32神经元）神经网络，采用ReLU激活函数和Dropout防过拟合。外部验证集通过PubMed文献挖掘获得11组独立数据。

研究结果

1. 机械拉伸参数对MMP-2基因表达的影响
   实验发现MMP-2表达呈“先升后降”的双相变化：0.1 Hz频率下12%拉伸6h达峰值，但24h后表达衰减；0.2 Hz时22%拉伸3h即触发表达抑制。这揭示成纤维细胞存在机械刺激耐受阈值，为参数优化提供实验依据。

2. 深度学习模型构建
   模型在训练集表现优异（R²
   =0.73，RMSE=0.42），预测值与实测值散点图呈45°线性分布。更令人振奋的是，其对文献数据的跨平台验证R²
   仍达0.71，证明模型具备临床转化潜力。

3. 交互式预测平台
   团队开发了图形用户界面（GUI），支持双向预测：输入拉伸参数可预测MMP-2水平，输入目标表达量则能反推所需机械条件，极大提升了科研和临床的易用性。

研究意义与展望
该研究首次将YAP/TAZ机械转导通路理论与深度学习相结合，破解了“力学参数-基因表达”的黑箱问题。模型预测显示，0.1 Hz频率配合8-12%强度可能最有利于ECM稳态重建——这与既往发现的YAP/TAZ核移位抑制MMP-2的机制高度吻合。

局限性在于当前仅验证mRNA水平，未来需通过Western blot补充蛋白检测。团队计划扩展模型至其他ECM成分（如胶原I/III、MMP-9），最终构建多靶点调控网络。这项研究为CRW个性化治疗开辟了新路径：通过AI预测指导生物材料力学设计，或能实现“机械处方”的精准投放，让难愈伤口重获愈合生机。