近红外光谱结合机器学习可无损监测实验室培养软骨的成熟度

东芬兰大学 Omar Anwar Elkadi 的应用物理博士论文研究了如何用近红外光谱结合机器学习，在不破坏样本的前提下监测组织工程软骨的发育。研究涵盖三项子研究、六种实验室培养软骨与水凝胶，光谱模型可估算软骨基质形成与细胞含量指标，并据此对组织相对成熟度分类。研究还揭示构建体中非发育组织成分会干扰测量、使模型预测产生偏差，在建模时校正这些效应可降低偏差、提升准确性。团队另搭建了可重复测量的装置，在 28 天、五个时间点的破坏性力学测试数据上训练与评估模型，其对无细胞水凝胶力学性能的预测优于仅基于培养时间的模型，并能捕捉孵育期间的逐日刚度变化。