多伦多大学Eugenia Kumacheva团队 AFM：AI赋能多组分复合水凝胶逆向设计-精准定制仿生粘弹性网络

细胞外基质的复杂粘弹性是生物材料仿生设计的核心挑战，传统试错法难以突破弹性与粘性的耦合限制。多伦多大学Eugenia Kumacheva团队提出一种基于多目标贝叶斯优化的主动学习策略，用于多组分复合水凝胶的逆向设计。研究以甲基丙烯酰化明胶为骨架、醛基化纤维素纳米晶为动态交联点，构建了融合动态共价键与光交联的凝胶体系。通过AI驱动的闭环工作流，仅经少量迭代即可精准靶向目标组织的弹性模量与应力松弛。在健康/疤痕皮肤仿生中，4-6次迭代即获得达标配方，并成功再现成纤维细胞向肌成纤维细胞的转变及疤痕挛缩病理。在乳腺肿瘤微环境模拟中，算法实现“软且高松弛”与“硬且低松弛”的力学解耦，揭示了应力松弛与弹性模量对细胞行为的差异化调控。进一步，团队仅用168组实验绘制了6000余种配方的帕累托前沿，结合SHAP分析阐明了交联密度主导弹性、动态组分浓度控制耗散的内在规律。该数据驱动范式为智能响应材料等复杂软物质开发提供了高效新路径。