王晓燕/柳珑团队通过机器学习驱动多组分骨无机基质模拟支架设计，实现成骨耦合神经发生

在骨组织工程领域，以羟基磷灰石为基础、通过离子取代赋予其更多生物学功能，一直是一条核心路线：锌、锶经胶原模板仿生共组装进入羟基磷灰石后，可诱导有利的骨免疫微环境，并经OSM、Nfatc1/Maf与Wnt等信号分阶段促进骨髓间充质干细胞的成骨分化^[1]；铜-壳聚糖与掺锶羟基磷灰石复合支架则利用铜的爆发释放抗菌、锶的持续释放促进长期成骨，从而避免使用昂贵且可能存在问题的生长因子^[2]；将不同锶取代比例（0%、50%、100%）的纳米羟基磷灰石引入水凝胶后，还能同时调节支架的理化性能与Sr2+释放行为^[3]。不过，这些工作基本停留在单一或双离子体系，而天然骨无机基质实际上由羟基磷灰石与钠、钾、镁、锶等多种功能离子共同构成，其多组分协同调控机制极为复杂，多组分配方如何理性设计，是这一方向悬而未解的难题。

近日（10月11日消息），国防科技大学理学院王晓燕/柳珑团队在Advanced Science发表题为Machine Learning-Driven Design of Multicomponent Bone Inorganic Matrix Mimicking Scaffolds for Osteogenesis Enhanced by Neurogenesis的研究文章，报道了机器学习驱动的多组分骨无机基质模拟支架设计。研究者的出发点在于：理想的骨修复材料不仅需要具备骨传导性和骨诱导性，还需兼顾神经发生、血管生成等多重生物学功能，而以往离子掺杂支架的功能验证主要围绕成骨、免疫调控与抗菌展开^[1][2][3]。

与已有认识相比，这项工作把设计对象从一两种治疗性离子的搭配，推进到模拟天然骨无机基质的多组分体系，并引入机器学习来应对组分组合的高度复杂性；同时把追求的功能终点从成骨本身扩展为成骨与神经发生的耦合，为骨修复材料增添了神经再生的维度。

当然，这条简短的消息尚未披露具体选用了哪些离子及配比、机器学习模型的构建细节以及体内外实验数据；多组分离子之间如何协同、神经发生以何种方式增强成骨，以及此类支架在复杂体内环境中的长期表现，都还有待全文和后续研究给出答案。