《Bioactive Materials》：Artificial intelligence-assisted design of self-assembling peptide hydrogels for neural regeneration: Principles and opportunities
神经系统损伤因其有限的再生能力和损伤后抑制性微环境的形成仍是主要临床挑战。自组装肽水凝胶（SAPHs）已成为一类高度仿生的神经修复材料，归因于其纳米纤维结构、卓越的生物相容性、可注射性及序列可编程性。然而，传统SAPH设计主要依赖经验筛选和机制直觉，限制了对庞大肽序列空间的有效探索，并阻碍了对分子设计、超分子组装、材料性能与再生结果之间复杂关系的预测。本综述讨论了如何将已建立的SAPH设计原则重组为用于神经再生的人工智能（AI）辅助设计框架。在此框架内，肽序列、组装行为、水凝胶性能和生物反应被整合为可计算且实验可验证的设计变量。本综述总结了SAPH设计的演变，概述了涵盖数据构建、特征编码、预测建模、生成设计、优化和验证的AI辅助工作流程，并讨论了其在免疫调节、血管重建、神经元支持、施万细胞或胶质细胞调节及功能恢复中的潜在应用。还考虑了与数据质量、可重复性、安全性、可制造性和转化相关的关键挑战。总体而言，本综述提供了一个以设计为导向的视角，推动SAPH从经验优化材料向更可预测、迭代且与转化相关的再生平台发展。
1. Introduction
神经组织损伤和退行性疾病仍是全球长期残疾的主要原因。中枢神经系统（CNS）损伤中，再生失败与抑制性分子线索、胶质瘢痕形成、持续性炎症和轴突导向不足密切相关。周围神经损伤（PNI）虽有较大内在再生潜力，但在长距离、大直径或复杂缺损中难以实现满意功能恢复。理想的神经再生支架应提供细胞外基质（ECM）样结构引导、适当力学信号、生化线索、时空可控降解、免疫调节及与内源性修复过程的兼容性。自组装肽水凝胶（SAPHs）作为高度可编程的仿生材料，通过非共价相互作用形成纳米级组装和三维（3D）超分子网络，为神经细胞粘附、轴突延伸、施万细胞（SCs）迁移和组织浸润提供允许性微环境。然而，SAPH开发仍依赖经验序列选择、功能基序移植和迭代实验筛选，导致效率和可预测性受限。AI辅助设计通过将肽序列、理化特征、组装行为、材料属性和生物学终点转化为可计算参数，整合先验知识、模拟信息、标准化数据和实验反馈，实现迭代优化，尤其适用于需协调注射性、力学匹配、降解行为、神经细胞支持、免疫微环境重塑、血管化和功能恢复等多重需求的神经再生。
2. Design evolution of self-assembling peptide hydrogels
SAPH的发展从简单水凝胶形成系统向可编程生物材料转变，设计考虑从基本凝胶化行为扩展到序列组成、超分子组织、力学性能、降解行为和生物学性能。传统经验策略已产生众多有用系统，但不足以应对庞大肽序列空间及分子设计、组装行为、材料性能与再生结果间的复杂关系。
2.1. Conventional design principles and their limitations
传统SAPH设计基于三大原则：序列编码组装、环境调控组装和功能导向修饰。分子层面，肽序列通过亲疏水残基排列、电荷分布、两亲性组织、二级结构倾向、芳香残基和氢键能力调控肽构象、分子间结合、纳米纤维形成和水凝胶网络结构。代表性系统如二苯丙氨酸（Phe-Phe, FF）及其衍生物显示芳香相互作用和疏水缔合驱动短肽形成有序纳米结构；FEFK衍生肽、KLD型序列、EAK16、多结构域肽和RADA16相关离子互补肽进一步展示了残基排列、电荷互补性和两亲分布对可调形态和力学性能的构建。环境条件如肽浓度、pH、离子强度、温度和溶剂组成影响组装途径和凝胶化动力学。功能修饰通过整合神经营养因子模拟序列或免疫调节基序赋予细胞粘附、轴突生长、SC调节和免疫调节功能。然而，传统设计仍受限于肽序列空间探索有限、单一参数变化对凝胶化、形态、降解、力学和生物活性的多重影响，以及缺乏统一标准。
2.2. Emerging role of AI in peptide hydrogel engineering
AI辅助设计通过从实验数据集、模拟输出、结构信息和生物学终点中学习肽序列、分子描述符、超分子组装、水凝胶性能和生物学表现之间的关系，缩小候选序列空间并优先排序更有希望的材料系统。机器学习和深度学习可处理高维和非线性设计变量关系，预测凝胶化能力、材料性能和生物学效应。AI辅助贡献包括：序列层面预测自组装倾向和二级结构；结构层面通过分子对接和分子动力学（MD）模拟评估分子间相互作用和功能基序暴露；性能与功能层面预测流变行为、降解、释放动力学和神经再生相关反应。AI作为辅助工具，用于搜索、排序和迭代优化复杂设计空间，而非替代机制引导设计。
2.3. Cross-scale design logic for neural regeneration
神经再生是多尺度、动态且依赖背景的生物过程。SAPH设计应遵循整合逻辑：分子层面理化特征影响超分子组装，进而塑造材料属性，最终影响神经元、SCs、免疫细胞、血管相关细胞和ECM的相互作用，共同决定轴突桥接、髓鞘再生、炎症消退、血管生成和功能恢复等组织层面结果。AI辅助设计通过序列衍生描述符、结构特征和实验条件作为模型输入，组装结果、材料性能、降解行为、释放曲线和生物学反应作为预测或优化目标，经预测、合成、表征、生物学测试和反馈的迭代循环，推动SAPH从经验筛选向闭环优化发展。
3. Molecular and supramolecular principles as design inputs
SAPH设计受肽序列中嵌入的分子信息主导。本章聚焦分子和超分子基础：序列组成定义初始设计空间，非共价相互作用决定肽分子在特定序列背景下的关联与竞争，组装途径解释局部相互作用如何演变为宏观水凝胶网络。
3.1. Sequence composition and physicochemical descriptors
序列组成和构象是超分子组织和水凝胶形成的首要决定因素。短肽中残基类型、位置和协同作用显著影响组装行为。带电残基调节溶解度和环境响应性；疏水残基促进分子缔合和成核；芳香残基通过π-π堆积和疏水堆积支持有序纳米结构；氢键形成能力促进β-折叠、β-发夹、α-螺旋等有序构象。代表性系统包括：FF二肽形成纳米线或纳米管，主要依赖疏水相互作用和芳香堆积；异亮氨酸-苯丙氨酸（Ile-Phe, IF）可形成纳米纤维水凝胶，而缬氨酸-苯丙氨酸（Val-Phe, VF）缺乏明显自组装能力。三肽和四肽系统显示手性和残基顺序的重要性，如VFF和FFV的D-对映体更易形成水凝胶网络。FEFK及其衍生序列展示残基排列、芳香相互作用和酶介导组装的关系。多结构域肽如K2(QL)6K2通过末端电荷调控和中央疏水结构域实现可控纳米纤维组装。RADA16作为离子互补短肽的代表，通过交替精氨酸、丙氨酸和天冬氨酸残基快速形成稳定反平行β-折叠结构和纳米纤维网络。
3.2. Noncovalent interactions governing peptide assembly
非共价相互作用是肽序列向超分子结构转化的直接分子力，包括氢键、疏水缔合、静电相互作用、芳香堆积、范德华力、金属配位和主客体识别。氢键支持有序二级结构形成，如β-折叠中的主链氢键。疏水相互作用促进非极性残基聚集，减少水暴露；亲水带电残基通常暴露于分子表面，维持分散和溶解性。静电相互作用通过电荷依赖性分子组织调控高阶组装，如EAK16-II和EAK16-IV中电荷分布差异导致螺旋或球形聚集。芳香相互作用与疏水力协同增强短肽组装，但过度堆积可能改变组装途径。金属配位和主客体识别可引入可逆交联、力学增强、自修复或环境响应降解。肽自组装依赖多种相互作用的协调与竞争，而非单一力的最大化，导致序列、结构和性能间复杂的非线性关系。
3.3. Assembly pathways and hydrogel network formation
肽组装通常通过分级过程进行：单个肽分子采取局部构象后结合成寡聚体、核、片层或纤维中间体，这些中间体继续生长、交联并互连形成3D网络。成核是关键步骤，如β-折叠介导的短肽组装中，单体首先折叠成β-链，然后平行或反平行排列形成两亲性β-片层，进一步发展为双层结构或纳米纤维。RADA16的固态核磁共振研究显示其形成稳定两亲性β-片层，单体持续吸附在片层边缘实现轴向伸长。部分短肽系统通过液-液相分离（LLPS）形成富集肽分子的液滴，降低纳米纤维成核能垒，如Z-FF系统由亚稳态液滴转变为热力学稳定纳米纤维。从超分子中间体向宏观水凝胶的转变需形成渗透网络，纤维长度、刚度、分支密度、侧向关联和交联点共同决定是否形成自支撑凝胶。外部条件如肽浓度、pH、离子强度、温度、酶活性和机械剪切可改变最终材料状态。水凝胶网络密度和纤维组织影响储能模量、损耗模量、剪切稀化行为、自修复能力、降解和分子释放，这些性能直接关系到神经再生中缺陷填充、结构支持、细胞浸润、营养交换和生物信号呈现。
4. AI-assisted workflows for peptide hydrogel design
AI辅助设计将分子和超分子原则转化为可计算特征后，建立预测性、可验证和迭代的工作流程，包括数据构建与特征表示、结构与组装预测、性能与生物活性预测、生成设计与多目标优化，以及实验验证与闭环反馈。
4.1. Database construction and feature input for SAPHs
数据集应覆盖从序列到再生终点的完整设计链。分子层面数据包括肽序列、氨基酸组成、手性、末端修饰、净电荷、疏水性、芳香残基含量、两亲性等。组装层面数据包括二级结构、聚集倾向、临界凝胶浓度、凝胶化时间、纳米纤维形态。材料层面数据包括存储/损耗模量、剪切稀化、自修复、注射性、溶胀、降解和释放行为，并需记录实验条件。生物学层面数据包括细胞相容性、粘附、增殖、迁移、炎症反应，以及神经再生特异性终点如神经元存活、SC迁移、髓鞘相关标志物、免疫细胞表型、血管生成、电生理恢复和行为改善。应从现有研究中整合数据，如粗粒度分子动力学（CGMD）模拟的8000种三肽聚集行为，FEFK系列肽的比较研究，以及RADA16的结构模拟。数据应包含阴性结果（不成胶、不稳定、低活性）以定义设计边界，避免模型高估可行性。
4.2. Structure, interaction, and assembly prediction
单链构象预测可使用AlphaFold2、ESMFold和蛋白质语言模型评估短肽的局部折叠、二级结构倾向和构象稳定性。肽-靶标分子相互作用预测可采用分子对接和AI辅助肽-蛋白对接，如RAPiDock通过扩散去噪搜索肽链结合构象，支持92种残基类型。组装预测通过MD模拟分析多肽系统中的链间接触、局部聚集、成核和纤维伸长。RADA16的MD研究显示其形成反平行β-折叠。CGMD与机器学习（ML）集成可提高高通量筛选效率，如Tuttle等的主动学习框架仅用约2.3%模拟量识别35/39高聚集序列。AI还可预测凝胶化能力和力学性能，如Li等筛选400种二肽构建分类模型，Xu等对160,000种四肽进行人机交互迭代筛选，最终模型凝胶化命中率达87.1%。高精度模拟方法如AI2BMD基于ML力场和蛋白质片段策略，接近密度泛函理论精度，可用于分析短肽片段稳定性、非经典残基修饰和功能基序插入位点。
4.3. Prediction of material performance and bioactivity
AI模型可预测凝胶化发生（分类）、连续变量如临界凝胶浓度、储能模量、降解率（回归）或对候选序列排名。Li等对二肽凝胶化能力的随机森林和逻辑回归模型显示疏水性和芳香残基的重要性。Yorke等结合CGMD与高斯过程回归分析二肽和三肽水凝胶的杨氏模量，预测超过25,000种五肽组装体的力学性能，芳香残基特别是色氨酸在高模量候选者中更常出现，脯氨酸与柔性结构相关。模型选择上，随机森林、支持向量机、梯度提升适用于小样本和可解释性需求；高斯过程回归适用于小样本性能预测与不确定性估计；卷积神经网络、循环神经网络、Transformer和图神经网络适用于更大序列库。AI还可识别材料特征与生物学反应之间的可解释关联，如配体密度与神经元粘附、纤维取向与SC迁移、表面电荷与免疫细胞反应，但这些关联不等同于因果证据。
4.4. Generative design and multi-objective optimization
生成模型可实现逆设计，从期望功能出发提出新候选序列。常见生成策略包括变分自编码器、生成对抗网络、扩散模型、强化学习、Transformer语言模型和进化算法。PepVAE结合变分自编码器和活性预测模型从抗菌肽数据库采样高活性候选序列。TransSAFP结合迁移学习和强化学习，在低数据条件下优化功能肽序列，命中率86%。BindCraft利用AlphaFold2结构预测网络进行梯度逆设计，生成与靶蛋白高亲和力的肽段。PepMLM基于大规模蛋白质语言模型，仅给定靶蛋白序列即可生成线性肽。RFpeptides将环肽的循环位置编码引入3D扩散模型。CYC_BUILDER在蒙特卡洛树搜索和强化学习框架中逐步生长并环化肽链。对于非经典氨基酸，RareFold开发了EvoBindRare等逆设计框架，NCFlow基于流匹配可系统扫描非经典残基替换。生成模型在自组装肽研究中已有应用，如Njirjak等将循环神经网络分类器嵌入元启发式生成框架，Yang等开发基于Transformer的聚集倾向预测模型结合遗传算法和强化学习生成十肽。生成后需经多目标评分流程，包括凝胶化概率、可溶性、合成可及性、毒性风险、构象评估、目标界面、组装倾向、性能预测和神经再生相关评分。多目标优化可采用贝叶斯优化、主动学习、帕累托优化和强化学习，平衡不同目标。
4.5. Experimental validation and closed loop optimization
实验验证是AI辅助SAPH设计的不可替代环节。候选序列需经肽合成、材料表征（纯度、溶解度、凝胶化能力、二级结构、纳米纤维形态、流变学、注射性、自修复、降解和释放）和分层生物学验证（细胞相容性、神经突起延伸、SC迁移、免疫细胞表型、血管生成）。动物模型需评估组织整合、体内降解、轴突再生、髓鞘再生、电生理恢复、行为改善和生物安全性。实验失败案例应保留以更新模型，如Xu等研究中7个高排名序列未成胶，表明聚集倾向和疏水性等描述符不足以完全表征凝胶化决定因素。需区分模型可解释性与生物学因果性，AI识别的统计关联应通过控制扰动（如氨基酸替换、电荷或刚度调控）进行实验验证。闭环优化核心是将实验结果反馈给模型，经多轮迭代后获得可解释的设计关系。
5. Neural regeneration-oriented optimization of SAPHs
SAPH在神经修复中的意义不仅在于形成稳定超分子网络，还在于材料特征能否转化为持续有效的再生反应。神经损伤后修复涉及炎症调节、血管重建、施万细胞支持、轴突再生、髓鞘再生和功能恢复等多个相互关联过程。SAPH设计应协调材料结构、功能信号与损伤微环境，同时可作为神经营养因子模拟肽、免疫调节因子、细胞外囊泡或干细胞递送平台，促进局部微环境重塑和组织再生。
5.1. Immune modulation and remodeling of the inflammatory microenvironment
免疫反应是神经损伤后最早事件之一，持续或过度免疫激活会加重二次损伤。SAPHs的免疫调节作用可源于材料本身或递送的功能组分。纳米纤维网络可改善损伤部位滞留，表面电荷、刚度、降解行为和孔结构可影响蛋白吸附、免疫细胞粘附和细胞因子释放。在脑损伤中，来自室管膜蛋白片段的肽水凝胶通过负电荷减轻谷氨酸介导的兴奋性毒性，抑制小胶质细胞过度激活。在脊髓损伤中，L型和D型FFFKTTKS水凝胶诱导温和免疫反应并具抗炎作用；RADA16复合系统与ChABC、NT-3等结合可减少炎症、抑制反应性星形胶质细胞增殖、促进轴突再生。在周围神经损伤中，FEFEFKFK衍生水凝胶装载M2巨噬细胞源性再生因子可将局部微环境重塑为有利于M2转型和募集的状态，促进SC增殖、迁移和长距离神经再生。免疫调节SAPH的设计应反映时间窗和细胞特异性，早期限制过度炎症，修复期促进巨噬细胞向修复相关表型转变。AI辅助设计可将免疫调节转化为具有时间维度的材料优化任务，输入特征包括肽序列、净电荷、疏水性、纤维形态、模量、孔结构、降解曲线、功能基团类型和释放动力学，输出标签包括中性粒细胞浸润、小胶质细胞/巨噬细胞表型、Treg保留、炎症细胞因子谱和疤痕相关标志物。
5.2. Vascular reconstruction and neurovascular coupling
血管重建是神经损伤后组织修复进入再生阶段的重要条件。SAPHs促进血管重建的优势源于其水合纳米纤维网络提供ECM样3D基质，以及可功能化呈现VEGF或FGF模拟基序或作为促血管生成因子递送平台。在脑缺血损伤中，MMP响应性VEGF模拟肽水凝胶在缺血环境中响应MMP-2释放VEGF模拟肽，促进血管生成、改善脑灌注、降低血脑屏障通透性。双功能肽纳米纤维水凝胶同时呈现BDNF和VEGF模拟肽，模拟神经血管单元结构，促进神经再生和血管生成。在脊髓损伤中，肽两亲系统同时激活β1整合素和FGF2受体，增强血管生成、轴突再生、髓鞘再生和运动神经元存活。在周围神经损伤中，功能化RADA16系统同时呈现BDNF、VEGF和NGF模拟序列，显著促进新生血管化、增加再生轴突密度。血管评估不应仅限于CD31阳性面积，还应关注周细胞覆盖、血管通透性、灌注水平、血脑屏障完整性以及血管与轴突、SCs或胶质细胞的空间关系。AI辅助设计可将血管重建转化为多层次预测和优化任务，输入特征包括促血管生成基序类型、基序密度、水凝胶刚度、孔连通性、降解速率、释放曲线和排列结构，输出标签包括内皮细胞粘附、迁移、管腔长度、分支数、周细胞覆盖、灌注参数和屏障通透性。
5.3. Schwann/glial cell responses and remyelination
施万细胞和胶质细胞是决定神经再生质量的关键细胞群体。在周围神经损伤中，SCs可转变为修复支持表型，参与髓鞘碎片清除、神经营养因子分泌和Büngner带形成，为再生轴突提供纵向引导。在中枢神经损伤中，星形胶质细胞、少突胶质细胞谱系细胞和小胶质细胞参与疤痕形成、髓鞘损伤和组织重塑。SAPHs对SCs的影响体现在结构引导和生物活性信号两方面。定向纳米纤维或微通道结构可提供SC迁移和线性排列的空间线索，如palmitoyl-VVAAEE两亲短肽与RGD和IKVAV基序构建的定向纳米纤维，在12mm大鼠坐骨神经缺损模型中促进轴突和SCs有序再生，功能恢复接近自体神经移植。功能化自组装骨架进一步增强SC介导的修复反应，如RADA16-RGD和RADA16-IKVAV与PLLA电纺纳米纤维导管联合使用，促进SCs浸润和轴突再生。K2(SL)6K2多结构域肽水凝胶呈现层粘连蛋白模拟基序IKVAV和IIKDI，增强轴突再生和髓鞘再生。在中枢神经损伤中，PA-IKVAV和FGF-2相关肽两亲物可促进血管生成、轴突再生、髓鞘形成和神经元存活。SAPHs与NSCs/NPCs或hMSCs联合可提高移植细胞存活和神经谱系定向。评估SC/胶质细胞反应不应仅限于细胞活力或迁移距离，PNI中应关注SC修复表型、纵向排列、Büngner带样结构、MBP和MPZ表达、髓鞘厚度和g-ratio；SCI中应关注反应性星形胶质细胞、少突胶质细胞谱系、髓鞘相关标志物、疤痕相关ECM以及轴突穿透和突触重建。AI辅助设计可将SC/胶质细胞反应建模为连接材料结构与再生输出的中间层，输入特征包括纤维取向、孔连通性、水凝胶刚度、降解速率、层粘连蛋白模拟基序类型、神经营养模拟肽组合和免疫调节组分，输出标签包括SC迁移速度、排列方向性、S100和p75NTR表达、少突胶质细胞髓鞘标志物、星形胶质细胞反应以及下游轴突密度和电生理恢复。
5.4. Neural regeneration and functional recovery
功能恢复是评估SAPH修复价值的最终水平。在脑缺血和创伤性脑损伤模型中，SAPHs的功能评估侧重于神经保护、局部灌注、神经重塑和行为改善。RADA16与CDNF联合在大鼠MCAO模型中改善脑缺血再灌注损伤后神经恢复；MMP响应性VEGF模拟肽水凝胶促进神经元存活、恢复局部血流、降低血脑屏障通透性并改善运动功能；Fmoc-DDIKVAV水凝胶递送AAV-NeuroD1促进反应性星形胶质细胞向诱导神经元转分化。在脊髓损伤模型中，PA-IKVAV和FGF-2相关肽两亲物促进血管生成、轴突再生、髓鞘形成和神经元存活，改善前肢功能恢复；HADA与HGF-RADA16-DGDRGDS联合NT-3和姜黄素在不同物种中促进轴突重建和运动、感觉、膀胱功能恢复。SAPHs与干细胞治疗联合进一步凸显功能恢复评估的重要性，K2(QL)6K2、Nap-FFGVRKKP模拟肽水凝胶微球和磁性响应RADA16可改善局部微环境，促进NSCs/NPCs存活、分化和神经谱系定向。在周围神经损伤模型中，PA纳米纤维与PLGA导管联合使运动感觉功能恢复接近自体神经移植；Nap-FFGRGD或Nap-FFGCDPGYIGSR与PCL导管联合增强血管化、轴突再生和功能恢复；NapFFY与Picroside II和NGF联合通过调节炎症微环境改善神经恢复。AI辅助设计可将神经功能恢复作为最高级整合输出标签，脑损伤相关标签包括运动功能评分、神经功能缺损评分、脑灌注和血脑屏障通透性；SCI相关标签包括BBB/前肢功能评分、步态参数、电生理传导、轴突跨越和髓鞘再生；PNI相关标签包括SFI、步态站立时间、CMAP、神经传导速度、肌肉重量和肌纤维横截面积。将这些功能终点与材料特征、免疫状态、血管化水平和SC/胶质细胞响应共同建模，有助于从大数据集中识别与功能恢复真正相关的关键设计变量。
6. Translational challenges and future opportunities
本章聚焦数据标准化、安全性、可制造性、体外预测与体内再生之间的差距，以及未来方向。
6.1. Data standardization as the foundation for reproducible AI assisted design
数据标准化是可重复和可转化AI辅助SAPH设计的基础。当前数据集分散、异质且结构不足，不同研究在肽来源、制备程序、组装环境、凝胶化条件、灭菌处理和表征方法上存在差异。标准化应覆盖分子身份、制备过程、材料形成条件、结构表征和生物学终点。神经再生评估框架应整合多水平终点，并记录细胞来源、动物模型、损伤类型、观察时间点、染色方法和定量标准。缺乏阴性结果和不确定结果是影响可重复性转化的另一重要问题。未来数据库应同时记录失败和边界结果，并与相应配方条件和验证设置关联。需建立SAPH最小报告框架，集成分子身份、制备条件、材料表征、生物学评估和体内验证，并将多模态数据链接到同一材料身份。
6.2. Safety, manufacturability, and regulatory barriers
AI辅助SAPH的转化潜力取决于候选材料能否满足安全性、制造和监管要求。安全性评估不应限于常规细胞相容性，需关注肽纯度、残留合成试剂、内毒素污染、灭菌引起的结构变化、降解片段和宿主蛋白相互作用。神经修复环境中需特别关注神经毒性、胶质细胞活化、巨噬细胞/小胶质细胞反应、纤维包裹、异常血管生成、异位组织形成和慢性炎症。可制造性方面，实验室规模制备方法可能不适用于规模化生产，需控制肽合成收率、纯度、立体化学一致性、残留溶剂、冻干工艺、存储稳定性、灭菌兼容性和批次间一致性。监管路径方面，简单肽水凝胶作为生物材料评估，而装载药物、生长因子、细胞外囊泡、细胞或基因调控分子的水凝胶可能被视为组合产品，需额外评估释放动力学、稳定性、生物活性保留、生物分布、免疫原性和长期降解。AI辅助设计工作流程应纳入毒性风险、免疫反应、降解安全性、合成复杂度、生产成本、灭菌兼容性和监管可接受性等筛选标准，实验验证应从细胞活力逐步扩展到神经元功能、免疫细胞反应、局部组织相容性、长期降解、全身毒性和功能恢复。
6.3. Bridging the gap between in vitro prediction and in vivo neural regeneration
体外预测与体内神经再生之间存在明显差距。当前模型和早期筛选实验依赖简化终点，如凝胶化能力、流变参数、巨噬细胞极化或内皮管形成，这些指标不能完全复现损伤神经组织的时空、力学、炎症和细胞复杂性。神经损伤后局部微环境经历动态变化，植入水凝胶面对的是不断演变的组织环境，而非静态细胞培养系统。常见体外终点是替代指标而非功能修复的直接预测因子，如神经元培养中增加的神经突起长度仅表明神经支持潜力，不保证在损伤间隙中引导定向轴突再生。Alpha2自组装肽水凝胶在体外表现出良好生物相容性和神经祖细胞支持，但在大鼠脑出血模型中虽安全且耐受良好，对功能结果和血管生成、神经发生标志物却呈中性效应，表明生物相容性、组织潴留、细胞浸润或细胞增殖增加不应视为组织重建和功能恢复的充分证据。CNS与PNI在再生能力、细胞反应和抑制性微环境上的差异进一步增加了AI辅助SAPH设计的转化难度。未来AI引导的SAPH开发应纳入损伤特异性生物学约束，并整合分层验证系统，包括三维培养、类器官、微流控平台和多细胞界面模型，以生成更生理相关的功能数据集。最终，体内验证不可替代，神经修复肽水凝胶应通过长期功能结果进行评估。
6.4. Future opportunities for AI enabled regenerative peptide materials
未来方向包括：构建多模态肽水凝胶数据库，整合序列、分子描述符、模拟输出、降解和释放数据、细胞实验结果、组学信息、电生理指标和行为结果，使AI模型从孤立属性预测向更具生物学意义的再生材料设计发展。开发肽材料基础模型，在大规模肽、蛋白质、生物材料和功能实验数据上训练，学习序列依赖结构、相互作用、组装和生物活性的通用表示，可针对特定再生任务进行微调。主动学习和自动化闭环实验结合机器人合成、高通量流变学、图像分析和细胞筛选，可减少低效实验并加速候选系统优化。整合物理信息约束和可解释AI，将物理定律、分子模拟结果、热力学参数和结构约束融入AI模型，提高模型泛化能力并减少
