综述：发育组织工程中用于生物力学与生物电调控的机器学习方法

《Bio-Design and Manufacturing》：Machine learning approaches for biomechanical and bioelectrical regulation in developmental tissue engineering

　　

摘要

发育组织工程越来越依赖形态发生、细胞自组织以及动态微环境调控等原理，不再局限于静态支架设计，而是转向更具适应性的、以发育过程为灵感的策略。结合发育生物学的见解，人们发现了新的结构-功能关系以及更为有效的组织成熟路径，从而找到了能够利用内在生物调控机制而非强加静态结构于工程组织的生物制造策略。本综述探讨了在发育背景下机器学习在组织工程中的应用，重点分析了生物电、生物力学及形态发生信号如何影响细胞命运、组织结构以及适应性生长。我们还介绍了数据驱动和基于物理的模型、替代建模以及生成式设计如何整合复杂的生物学数据，模拟不断变化的微环境，并为实验性生物制造提供指导。尽管取得了这些进展，仍存在诸多挑战，比如如何整合异质性和多尺度的生物学数据，模型的可解释性和泛化能力存在局限，以及在生物制造应用中数据使用和人工智能决策相关的伦理与监管问题。通过将发育原理与计算工具相结合，机器学习驱动的组织工程有望实现更具有预测性、适应性和可重复性的方法，用于创建功能性生命系统。

发育组织工程越来越依赖形态发生、细胞自组织以及动态微环境调控等原理，不再局限于静态支架设计，而是转向更具适应性的、以发育过程为灵感的策略。结合发育生物学的见解，人们发现了新的结构-功能关系以及更为有效的组织成熟路径，从而找到了能够利用内在生物调控机制而非强加静态结构于工程组织的生物制造策略。本综述探讨了在发育背景下机器学习在组织工程中的应用，重点分析了生物电、生物力学及形态发生信号如何影响细胞命运、组织结构以及适应性生长。我们还介绍了数据驱动和基于物理的模型、替代建模以及生成式设计如何整合复杂的生物学数据，模拟不断变化的微环境，并为实验性生物制造提供指导。尽管取得了这些进展，仍存在诸多挑战，比如如何整合异质性和多尺度的生物学数据，模型的可解释性和泛化能力存在局限，以及在生物制造应用中数据使用和人工智能决策相关的伦理与监管问题。通过将发育原理与计算工具相结合，机器学习驱动的组织工程有望实现更具有预测性、适应性和可重复性的方法，用于创建功能性生命系统。