从模拟到替代：神经网络提升烧伤创面愈合中细胞因子时空动态预测精度

本研究针对烧伤后免疫反应复杂性和传统基于代理模型(ABM)计算成本高的问题，创新性地将长短期记忆网络(LSTM)、卷积LSTM(C-LSTM)和物理信息神经网络(PINN)等作为替代模型，成功预测了IL-8、TNF-α等6种细胞因子的时空浓度变化。研究发现时空注意力LSTM(STA-LSTM)在R2 和MAPE等统计指标上表现最优，而C-LSTM在捕捉空间依赖性方面表现突出，为临床烧伤治疗决策提供了高效的计算工具。

　　

烧伤引发的剧烈炎症反应是临床治疗的重大挑战，其复杂的免疫调控网络涉及多种细胞因子如IL-8、TNF-α的时空动态变化。虽然基于代理的建模(Agent-based modeling, ABM)能精细模拟这些生物过程，但动辄百万次的蒙特卡洛步骤(Monte Carlo steps)使其在临床实时决策中难以应用。如何突破计算瓶颈，实现烧伤创面微环境的高效预测，成为亟待解决的关键科学问题。

研究人员通过系统比较五种神经网络架构的预测性能，包括基础LSTM、融合卷积层的C-LSTM、加入时空注意力机制的STA-LSTM，以及嵌入扩散方程物理约束的PINN。研究采用CompuCell3D软件生成的250×250网格数据，包含6种细胞因子在100小时内的浓度变化，通过时间序列感知的70/10/20数据划分进行模型训练。关键技术包括：1) 构建五维张量(99,2,50,50,6)处理时空序列数据；2) 采用ReLU激活函数保证浓度预测非负性；3) 结合MSE和物理损失的双重优化策略；4) 使用荷兰国家超级计算机Snellius的A100 GPU进行加速计算。

STA-LSTM outperforms other neural networks across most metrics
时空注意力机制使STA-LSTM在统计指标上表现卓越，其R²
达到0.9999，MAPE低至0.0402。但深入分析发现，该优势主要来自对稳定期IL-8的精准预测，而对后期出现的TGF-β₁
等细胞因子预测存在系统性偏差。

C-LSTM significantly outperforms other neural networks at capturing spatial dependencies
卷积层的引入使C-LSTM在空间精度上独树一帜，二进制空间准确率达99.89%，显著高于其他模型。热图显示其能精确还原细胞因子的梯度分布特征，这源于3×3卷积核对局部空间特征的提取能力。

PINN predictions produce significantly larger standard deviation than the LSTMs
物理约束使PINN展现出独特的预测特性：虽然R²
(0.7987)略低于LSTM类模型，但其预测值的标准差更符合生物系统的自然波动，尤其在TNF-α等关键炎症因子上的预测范围更贴近真实生物学变异。

Poor computational scalability for C-LSTM and CT-LSTM
在扩展到500×500网格时，卷积类模型准确率骤降47%，显示局部优化的卷积核难以适应更大空间尺度，这为未来开发多尺度分层架构提供了明确改进方向。

该研究开创性地建立了ABM与神经网络的协同框架，其核心价值体现在三个维度：临床层面，STA-LSTM以1/1000的计算时间实现90%以上的预测精度，为实时监测创面免疫状态提供可能；方法论层面，首次证实PINN在保持物理合理性的同时，其预测波动性反而更符合生物系统本质特征；技术层面，揭示卷积神经网络(CNN)与递归神经网络(RNN)的融合架构在空间特征提取中的独特优势。未来通过引入GRU门控机制和DeepONet算子网络，有望进一步突破多尺度建模的瓶颈，最终实现从计算模型到临床决策的无缝衔接。