细胞外基质（ECM）中复杂的生物大分子网络赋予了组织独特且动态的粘弹性。对水凝胶材料而言，要在体外精准复刻不同器官组织这种独特的力学微环境，一直是生物材料领域的重大挑战。核心难点在于，凝胶网络的弹性和粘性往往高度耦合。当开发涉及多组分、多交联机制的复合水凝胶时，单体浓度、交联剂比例、纳米填等参数相互交织，构成了极其庞大的化学与物理参数空间。传统的“单变量控制”试错法不仅耗时耗力，更难以探明各组分间非线性的交互作用，无法实现复杂凝胶配方的按需逆向设计。

  针对这一难题，多伦多大学Eugenia Kumacheva团队的Zhengkun Chen和Zheyuan Miao等人提出了一种基于多目标贝叶斯优化（MOBO）的主动学习策略，成功实现了多组分复合水凝胶在仿生粘弹性上的逆向定制。

  2026年4月29日，相关研究以Active Learning-Accelerated Discovery of Fibrous Hydrogels with Tissue-Mimetic Viscoelasticity为题发表在《Advanced Functional Materials》上。

  研究团队设计了一种融合动态共价键与光交联网络的复合凝胶体系。体系以不同取代度的甲基丙烯酰化明胶（GelMA-H和GelMA-L）为网络骨架，引入醛基化纤维素纳米晶（a-CNC）作为动态交联枢纽，并配合LAP光引发剂进行紫外固化。借助MOBO主动学习框架，研究人员打破了凝胶弹性与粘性高度耦合的制约，仅通过极少量的实验迭代，便在多维参数空间中精准定位了最优配方。

1. AI驱动水凝胶配方“闭环设计”

  在该研究构建的闭环工作流中，目标组织的弹性模量与应力松弛被设定为设计靶点。每次迭代中，模型智能推荐4组制备条件，实验测得的流变与力学数据实时反馈更新，使算法在迭代中不断掌握各组分浓度及交联密度对宏观粘弹性的非线性影响规律，从而高效逼近靶向配方。

图1：主动学习指导水凝胶设计工作流

2. 组织仿生：力学性能与细胞行为的精准调控

  为验证该材料平台的实用性，团队对“健康皮肤”与“疤痕皮肤”的力学特征进行了逆向工程。仅经过4到6次主动学习迭代，算法便锁定了两种组织的达标配方。不仅如此，SEM表明，由算法指导设计的水凝胶成功再现了ECM的纤维网络结构。利用该仿生支架培养人真皮成纤维细胞，成功诱导了成纤维细胞向肌成纤维细胞活化，在体外完美重现了疤痕挛缩的病理现象。

图2： 健康与疤痕皮肤ECM仿生水凝胶的配方识别

3. 力学解耦：凝胶粘弹性的精准调控

  在模拟乳腺肿瘤微环境时，MOBO框架发挥了突出的解耦能力，分别设计出“软且高松弛”和“硬且低松弛”两种模拟良性与恶性肿瘤微环境的基质配方。对比研究揭示：高应力松弛的网络能促进细胞重塑基质并发生迁移，导致肿瘤微球形态趋于不规则；而高弹性模量的网络则产生强大的空间限域效应，通过压缩应力抑制细胞增殖。

图3： 软性与僵硬乳腺肿瘤ECM仿生水凝胶的配方识别

4. 探究凝胶粘弹性的物理边界与组分解码

  为探明该复合凝胶体系的性能潜力，研究团队基于机器学习在包含6000余种潜在配方的巨大空间中展开探索。仅耗费168组实验，便成功绘制出该凝胶体系的帕累托前沿，量化了弹性与应力松弛相互制约的边界，清晰界定了材料性能的“可行域”。在此基础上，团队进一步构建了该体系的性能预测模型，并采用SHAP分析对各组分进行了权重解密。原本黑箱的配方-性能关系由此彻底透明化，揭示了交联密度主导弹性、而动态组分浓度主导网络内部耗散与松弛的内在规律。

图4： 水凝胶粘弹性的帕累托前沿映射。

图5： 水凝胶制备参数的SHAP分析。

总结与展望

  这项研究为生物材料设计提供了一种全新的“数据驱动”研发范式。通过将机器学习与仿生水凝胶设计深度融合，不仅突破了低效的单因素试错模式，更在极少的数据量下揭示了多组分复合凝胶中隐藏的构效关系。这种基于AI的逆向定制策略，未来有望拓展至更多智能响应材料、自修复体系及复杂软物质平台的开发中，极大加速下一代仿生生物材料的发现与应用。

  原文链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adfm.75639