采用响应面法和机器学习方法优化用于肺基底膜应用的电纺PCL-PLGA基材

《ACS Omega》：Optimization of Electrospun PCL–PLGA Substrates for Lung Basement Membrane Applications Using Response Surface Methodology and Machine Learning Approaches

　　

电纺膜因其可调控的纤维结构能够捕捉天然组织细胞外基质（ECM）的关键结构特征，被广泛用于组织建模。对于功能性体外肺屏障模型，膜基材理想情况下应结合稳定性与可重复性，以及符合基底膜（BM）相关特征，包括细纤维、降低的刚度以及足够的强度和延展性以耐受模拟呼吸的变形。在此，研究人员优化了聚己内酯（PCL）-聚乳酸-羟基乙酸共聚物（PLGA）共混物，以开发完全合成的电纺膜，平衡这些相互竞争的结构和力学要求。研究人员首先将响应面法（RSM）应用于Box-Behnken电纺设计，其中纤维直径、杨氏模量（Young’s modulus）、极限抗拉强度（UTS）和断裂应变（strain at break）被视作同等重要的响应。该模型预测的膜具有纤维直径0.386 ± 0.004 μm，杨氏模量152.156 ± 1.751 MPa，UTS 41.850 ± 0.149 MPa，以及断裂应变2.948 ± 0.020，验证实验与预测值的偏差小于10%。机器学习（ML）通过添加经过验证的增强、逆属性到参数预测以及多响应期望优化，扩展了这一基于实验的框架。一项六生成器保真度筛选选择了高斯Copula（Gaussian-Copula）增强而非WGAN-GP用于下游建模，而无泄漏的留一真实观测值评估（LOO）显示，CatBoost最稳健地恢复了聚合物组成目标，PCL浓度的LOO R²值为0.675，PLGA浓度为0.747。XGBoost前向代理优化实现了最高的模型导出期望值0.895 ± 0.065，而实验确认的实验设计（DoE）参考值为0.782。总体而言，该工作流程表明，ML可以通过优先考虑候选电纺窗口、量化不确定性以及阐明多响应纤维膜设计中的属性-参数耦合来补充RSM。

**论文解读：基于响应面法与机器学习的肺基底膜电纺PCL-PLGA基材多响应优化**

**1. 研究背景与存在问题**

肺基底膜（BM）是位于肺泡上皮与毛细血管内皮之间的一层致密、超薄的纳米纤维层，为肺泡提供结构支撑、功能完整性，并作为选择性屏障，调控分子在肺泡腔与血液间的转运。此外，BM通过其与细胞表面受体的相互作用，显著影响细胞行为。肺泡BM的弹性模量约为3 MPa，并能承受由呼吸引起的循环拉伸力，其弹性伸长可达12%的线性应变。在体外构建能再现这些复杂线索的肺模型是极具挑战的，需要精确调控电纺膜的生化、生物物理、拓扑及力学特性。

目前，电纺膜被广泛用于组织工程，但其在模拟肺BM方面存在关键瓶颈：理想的膜基材需同时具备稳定性、可重复性，以及符合BM特征的结构（如超细纤维）和力学性能（如低刚度、高强度和足够的延展性以耐受模拟呼吸的变形）。传统的设计方法，如响应面法（RSM），虽然能系统地建立工艺参数与响应之间的关系，但存在局限性，例如其模型拟合度（R²）源于同一数据集，难以保证对新实验条件的泛化能力。此外，多数研究仅关注单一输出（如纤维直径）的预测与优化，而忽略了形态与力学性能等多重属性的协同调控，也缺乏从目标膜特性反向推导参数的能力（逆设计）。因此，本研究旨在开发一种结合RSM与机器学习（ML）的集成工作流程，以同时优化电纺PCL-PLGA膜的纤维直径、杨氏模量、极限抗拉强度（UTS）和断裂应变这四个关键响应，使其适用于肺芯片BM应用。

**2. 主要技术方法**

研究人员采用了一种分阶段的集成策略。首先，利用响应面法（RSM）中的Box-Behnken设计（BBD）构建实验框架，系统研究四个关键电纺参数（PCL浓度、PLGA浓度、流速、工作距离）对四个目标膜特性（纤维直径、杨氏模量、UTS、断裂应变）的影响。随后，在机器学习（ML）阶段，研究人员首先评估了多种合成数据生成器（包括WGAN-GP、高斯Copula等）的保真度，并选择高斯Copula进行数据增强，以应对小样本数据集。在此基础上，采用多种ML回归模型（如CatBoost、XGBoost、MLP-NN）进行逆机器学习建模，即从膜特性预测电纺参数，并通过无泄漏的留一真实观测值评估（LOO）来保证模型评价的严谨性。最后，利用前向代理模型进行多响应期望优化，以在整个设计空间中寻找最佳参数组合。

**3. 研究结果**

**3.1. 响应面法（RSM）分析**
通过方差分析（ANOVA）验证了所有响应模型的显著性（p < 0.0001），且失拟项不显著，表明模型拟合良好。效应量分析显示，PCL和PLGA的聚合物浓度是影响纤维直径、杨氏模量和断裂应变的主要因素，分别贡献了响应总方差的39.95%和27.88%。对于纤维直径，PCL浓度和PLGA浓度的增加会导致纤维变粗，而低流速和低PCL浓度则产生最细的纤维。对于杨氏模量，PLGA浓度的影响最大，其浓度从6 wt%增加到10 wt%会使膜刚度翻倍以上。对于UTS，PLGA浓度和流速是主要影响因素，且两者之间存在显著的交互作用。对于断裂应变，PCL浓度占主导地位，其结晶性决定了膜的后屈服延展性。

**3.2. 优化与验证**
基于RSM的数值优化旨在在实验设计空间内，以最小化纤维直径和杨氏模量，最大化UTS和断裂应变作为目标，以符合BM相关设计标准。优化得到的最佳参数为：PCL浓度8 wt%，PLGA浓度6 wt%，流速0.1 mL/h，工作距离15 cm。预测的膜特性为：纤维直径0.386 ± 0.004 μm，杨氏模量152.156 ± 1.751 MPa，UTS 41.850 ± 0.149 MPa，断裂应变2.948 ± 0.020。在最优参数下的验证实验测得结果为：纤维直径0.409 ± 0.189 μm，杨氏模量167.42 ± 10.21 MPa，UTS 38.47 ± 6.2 MPa，断裂应变3.18 ± 0.21，所有响应的实验值与预测值偏差均小于10%，证实了RSM模型的精确性和可靠性。

**3.3. 机器学习（ML）增强与逆预测**
在生成器保真度评估中，高斯Copula在边际分布一致性、联合分布吻合度、分类器不可区分性和下游预测效用方面表现最佳，因此被选为主要增强策略。在无泄漏的LOO评估下，CatBoost在逆预测任务中表现最佳，对PCL和PLGA浓度的预测实现了稳健的正向信号（LOO R²分别为0.675和0.747），而流速和工作距离的预测置信度较低。置换重要性分析揭示了ML模型中的属性-参数耦合关系：PCL浓度与断裂应变强相关（重要性0.769），而PLGA浓度则与纤维直径（0.823）、UTS（0.422）、断裂应变（0.413）和杨氏模量（0.358）均相关，表明PLGA含量同时调控纤维形成和整体力学响应。

**3.4. 集成优化与讨论**
将RSM最优解与ML逆管道预测的候选区域进行比较。高斯Copula逆管道在RSM目标属性向量下预测的参数区域为：流速0.210 ± 0.035 mL/h，工作距离11.50 ± 0.59 cm，PCL浓度5.79 ± 0.28 wt%，PLGA浓度6.22 ± 0.19 wt%。虽然RSM最优解部分位于ML预测的90%置信区间之外，但ML预测被解释为统计学支持的候选区域，而非唯一的确定性最优解，因为逆映射本身具有非唯一性。在ML前向代理多目标优化中，XGBoost取得了最高的模型导出期望值（0.895），高于DoE实验确认的参考值（0.782）。工作流程表明，ML可以通过优先考虑候选电纺窗口、量化不确定性以及阐明属性-参数耦合来补充RSM，从而在多响应纤维膜设计中实现更稳健和全面的优化。

**4. 总结与结论**

**结论**：开发结合了细纤维形态、降低的体刚度和足够机械完整性的电纺基材，对于体外肺屏障膜设计仍是一个关键挑战。在本研究中，研究人员开发了一个结合DoE（实验设计）和ML的框架，用于优化电纺PCL-PLGA膜，使其符合与BM相关的结构和力学设计标准。RSM通过定义BBD（Box-Behnken设计）空间内的工艺-性能关系，为工作流程提供了实验基础。RSM分析确定聚合物浓度是膜形态和力学响应的主要贡献者，RSM导出的最优解预测的膜具有纤维直径0.386 ± 0.004 μm，杨氏模量152.156 ± 1.751 MPa，UTS 41.850 ± 0.149 MPa，以及断裂应变2.948 ± 0.020。这个经过实验验证的最优解随后作为基准，用于解释ML导出的逆预测和基于期望值的候选区域。ML部分扩展了RSM工作流程。在生成器保真度测试后选择了高斯Copula增强；在无泄漏的LOO（留一法）评估下，CatBoost最可靠地恢复了PCL和PLGA浓度目标；XGBoost识别出最高的模型导出期望值。这些发现表明，聚合物组成是最可靠的逆预测目标，而流速和工作距离应被视为低置信度的候选生成输出。总体而言，这项工作展示了一种实用的RSM-ML策略，该策略结合了可解释的、经过实验验证的响应面优化，以及基于ML的逆设计、不确定性感知的候选区域预测和属性-参数解释，为在BM相关PCL-PLGA膜设计中平衡形态、力学和加工约束提供了一种资源高效的方法。