机器学习辅助统计建模在生物聚合物水凝胶溶胀行为中的比较评估及其材料优化

《ACS Omega》：Comparative Evaluation of Machine Learning-Assisted Statistical Modeling of Biopolymer Hydrogel Swelling for Material Optimization

　　

本研究深入考察了以海藻酸钠制备的生物聚合物水凝胶的溶胀特性，采用传统和现代建模技术预测并优化该过程。水凝胶溶胀性能在控释给药、伤口敷料和食品技术应用中有重要应用，因此对预测和调控策略有很高需求。在此，研究人员设置了不同浓度的聚合物、交联剂、微藻细胞和培养基体积等组成参数。在受控条件下进行了实验溶胀度测量，以获得平衡和动态测量值。初始数据分析采用响应面法（RSM）结合中心复合设计（CCD），阐释了独立和交互配方因素的作用。随后，研究人员在相同数据集上实现并训练了人工神经网络（ANN）模型，以获取传统方法未考虑的可能复杂非线性关联。基于R²、RMSE和残差分析等统计参数对两种模型的结果进行了深入评估。ANN模型显示出更高的预测能力，并在溶胀响应中产生了更精细的非线性趋势，而RSM则生成了用于发展机理洞察的可理解方程和响应面。研究发现，混合建模是未来可能的方向之一，因为通过比较分析评估了互补优势。结果表明，机器学习和统计设计在研究和优化水凝胶系统中具有协同作用。本文发展了可用于研究水凝胶的方法学工具包，并为以数据为中心的智能材料设计奠定了基础，这更有可能实现更好的功能和性能。

**论文解读：机器学习辅助统计建模在生物聚合物水凝胶溶胀行为中的比较评估及其材料优化**

**研究背景与问题**

水凝胶作为一种三维聚合物网络，能够吸收并保留大量水而不破坏结构，在生物医学和环境工程领域具有广泛应用。海藻酸钠（SA）水凝胶因其生物相容性、温和的凝胶化过程和可调的交联化学特性而备受关注。然而，将活微藻（如Dunaliella tertiolecta）引入海藻酸钠基质的研究尚不充分。细胞负载会显著改变水凝胶网络的孔隙率、离子平衡和水分吸收能力，导致不可预测的溶胀行为。现有研究多集中在无细胞聚合物系统或微藻封装技术，但缺乏系统定量评估活细胞存在、配方参数和生物因素（如细胞浓度、代谢动态、培养基体积）如何共同影响溶胀特性的研究。此外，传统实验设计方法如响应面法（RSM）与现代数据驱动模型如人工神经网络（ANN）在生物集成背景下的预测比较仍较少。这一研究空白至关重要，因为嵌入细胞引入的因素可能显著影响渗透平衡、离子强度和聚合物网络松弛，而这些因素在配方优化中很少同时考虑。

**研究目的与意义**

为填补这一空白，本研究系统建模并优化了含Dunaliella tertiolecta的SA水凝胶的溶胀行为，采用RSM和ANN两种互补方法，提供机理知识和预测能力。研究通过实验考察四个可控变量（聚合物含量、微藻细胞浓度、外部培养基体积和交联剂浓度）对溶胀度的影响，并建立预测框架。该研究为水凝胶基生物传感器、生物反应器和工程活材料的设计提供了重要基础，强调了在细胞负载系统中精确控制传输和机械性能的必要性。论文发表在《ACS Omega》。

**主要关键技术方法**

研究人员采用以下关键技术方法开展研究：1）基于挤出式3D生物打印技术，将Dunaliella tertiolecta细胞包埋于海藻酸钠（SA）水凝胶中，以氯化钙（CaCl₂）为交联剂制备3D支架；2）采用中心复合设计（CCD）结合响应面法（RSM）进行实验设计，系统评估聚合物浓度、交联剂浓度、培养基体积和细胞密度四个因素对溶胀度的影响；3）构建人工神经网络（ANN）模型，比较三种训练算法（Levenberg-Marquardt反向传播、弹性反向传播和共轭梯度反向传播）的预测性能；4）使用场发射扫描电子显微镜（FESEM）、高分辨率透射电子显微镜（HRTEM）和共聚焦激光扫描显微镜对3D打印支架中的微藻细胞进行微观表征。微藻Dunaliella tertiolecta由实验室培养，在Guillard’s f/2培养基中培养。

**研究结果**

**3.1 基于挤出式3D生物打印的微藻生物制造**
通过优化培养条件（100±5 μmol photons m^-2 s^-1，光照18:6 h），成功培养了Dunaliella tertiolecta，并在第18天达到最大生长量（pH 9.1）。采用SA和CaCl₂交联的3D生物打印工艺，成功制备了稳定且结构明确的水凝胶支架，微藻细胞均匀分布，表明该方法适用于生物封装。

**3.2 3D生物打印D. tertiolecta的显微分析**
HRTEM分析显示细胞内部结构分化良好，叶绿体呈杯状环绕淀粉核。FESEM图像显示细胞呈卵圆形至椭圆形，表面光滑，无细胞壁，有顶端鞭毛，长度约7-12 μm。共聚焦显微镜观察到叶绿素自发荧光分布，表明健康的光合活性，并确认无收缩泡，适应性进化表现为通过甘油积累进行渗透调节。

**3.3 使用CCD和RSM的先进统计分析**
ANOVA分析表明，模型显著（p<0.0001），R²为0.9883，表明模型能解释98%的变异。聚合物浓度和交联剂浓度对溶胀度有显著负效应，细胞浓度和培养基体积也有显著影响。等高线图和3D响应面图显示，聚合物和交联剂浓度升高会降低溶胀度，细胞浓度增加也会限制溶胀，而培养基体积有微弱正效应。总体而言，内部结构参数（聚合物和交联剂）主导溶胀能力，细胞浓度作为结构组分在高浓度下限制溶胀。

**3.4 神经网络模型系统的比较分析**
**3.4.1 ANN模型的训练与性能指标验证**
比较三种训练算法：Levenberg-Marquardt（trainlm）表现最佳，在4个隐藏节点下获得最高总体相关系数（rAll=0.992），最低RMSE（训练26.02，验证52.87）和MAE（训练14.76，验证110.89）。弹性反向传播（trainrp）在5个隐藏节点下表现次之（rAll=0.984），共轭梯度（traincgf）在1个隐藏节点下表现最差（rAll=0.92）。回归分析显示trainlm模型的R=0.99162，斜率接近1，截距小，预测误差极低。复合模型得分分析表明，trainlm在1-50个隐藏神经元范围内表现最稳定，高得分区域占比最多。训练过程采用早停策略防止过拟合，trainlm在epoch 18达到最佳验证性能。

**3.4.2 敏感性分析**
通过等高线图和3D图分析，发现海藻酸钠（SA）浓度是溶胀度的主要驱动因素。在SA浓度较高（>2.0%）时，溶胀度可达1300%以上，且细胞浓度影响较小；在SA浓度较低时，溶胀度较低（200-400%）。培养基体积与细胞浓度存在协同作用，高细胞密度下需要较大培养基体积才能达到高溶胀度。总体而言，溶胀行为受网络组成、交联密度和生物负载的协同作用控制，而非单一因素。

**总结讨论与结论**

讨论部分指出，RSM模型受限于二阶多项式结构，无法完全捕捉复杂非线性关系，而ANN作为通用函数逼近器，能有效建模非线性依赖，获得更高预测能力（R²>0.99）。混合RSM-ANN方法兼具机理透明性和强预测能力。研究结论翻译如下：在本研究中，研究人员研究了不同隐藏神经元数量和训练配置的神经网络模型性能，以实现最高预测精度。回归拟合、复合得分和误差指标表明，模型性能对网络架构高度敏感。在测试的模型中，Levenberg-Marquardt反向传播（trainlm）提供了最佳相关系数（R²=0.99162）、最低误差值（MAE和RMSE）以及稳定的学习曲线，具有最佳泛化能力。早停策略防止过拟合的效果通过验证性能分析得到验证。总体而言，隐藏层大小的仔细调整和验证趋势的监控是实现高预测精度的关键。这些结果为类似预测挑战创建稳健高效的神经网络模型提供了理解。因此，LM-BPNN ANN配置提供了最优且高度稳定的结构用于溶胀行为预测。对于Dunaliella tertiolecta，聚合物越刚性或细胞负载越高，结构完整性越好但溶胀越少，而较软水凝胶和低细胞密度可最大化体积变化，可用于模拟生理响应或环境胁迫。观察到的溶胀行为对聚合物浓度和交联密度有强烈依赖性，与先前研究一致。这些结果展示了机器学习与统计设计之间的潜在协同作用，以深入理解并优化水凝胶系统。本研究不仅发展了当前水凝胶领域的方法学工具包，还为数据驱动的智能材料设计奠定了基础，将带来实际应用中更好的功能和性能。