尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

所有这些应用都源于一种新材料——新型水凝胶,它是由麻省理工学院(MIT)的助理教授,赵选贺(Xuanhe Zhao)带领团队研发出的。这种新型材料克服了普通水凝胶自然脱水的这一天生“硬伤”,因此这一成果不仅可以增强现有水凝胶产品的使用体验,还将为水凝胶的应用开辟出一片全新的领域。

编者按:以上视频里展示了一系列炫酷的高新技术,其中一些或许在不久的将来就会出现在我们的生活中。其中包括了智能皮肤、可穿戴电子设备、按需输送药物的绷带、嵌入电路的隐形眼镜等等。

赵选贺助理教授于2014年9月加入MIT机械工程系。在此之前,他在杜克大学机械工程与材料科学系担任助理教授。2009年,他在哈佛大学机械工程学院获得了博士学位。

赵教授致力于固体力学、软材料及仿生设计领域的研究。目前的研究主要集中在三个方面:人造肌肉(介电聚合物和机电)、坚韧软骨(坚韧及具有生物活性的水凝胶),以及改造皮肤(功能表面不稳定性和薄膜力学)。

赵教授是美国国家科学基金会“早期事业奖”的获奖者,曾获美国海军研究办公室“青年科学家奖”。

什么是水凝胶?

或许水凝胶这个名字对大家来说都很陌生,但是下图中的尿不湿可能人人都知道,尿不湿里的吸水材料就是水凝胶。

关于水凝胶的吸水性到底有多强,下面这张图可以一目了然。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

如此强大到令人发指的吸水能力从何而来呢?这就要从水凝胶的分子结构说起了。

水凝胶是一种互相交联的含亲水基分子高聚物(类似于橡胶)。这些聚合物通常含有羧基(-COO-),一种常见的水凝胶聚合物为聚丙烯酸钠。

聚合物长链经常以随机盘绕的分子存在,但是在缺少钠离子的环境中,羧基上负离子会相互排斥,长链也会随之解开缠绕。水凝胶充满水分的奥秘来源于水分子与羧基中氧原子形成的氢键。在这种情况下,水凝胶能够最多吸附自身重量500倍的水分子。超过90%的含水量也让水凝胶具有了和人体组织一样的弹性。

由于兼有柔软性和弹性,水凝胶有着广泛地应用范围,其中之一是作为伤口敷料。被放置在皮肤的创伤处,潮湿的水凝胶能够起到防止伤口干燥、感染,缓解疼痛的作用。水凝胶本身不会黏附在皮肤表面,移除时也不会对皮肤造成二次伤害。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

当然,还有很多人每天都要使用的隐形眼镜,水凝胶可能是目前为止唯一可以与我们敏感而湿润的眼球亲密接触,但又不造成太多不适的材料吧。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

近年来,随着人造水凝胶的发展,水凝胶的应用也逐渐拓宽。包括农业汲水,人工造雪,煤炭脱水,人体细胞组织工程。水凝胶柔韧、亲水的特性备受关注。但是,有一个问题长期限制了水凝胶相关应用的进一步发展,那就是水凝胶暴露在空气中时,会不断蒸发脱水,最终逐渐干瘪变硬而失去它的优良性质,因此,如何一直保持水凝胶柔韧的特性成了科学家亟待攻克的难题。

新型“不干水凝胶”问世

来自MIT机械工程系的助理教授赵选贺及他带领的团队攻克了关于水凝胶的这一技术难题,然而研发之路却并非一帆风顺。

早在去年12月,赵教授就曾经发表了用以粘合金属、陶瓷、玻璃等坚硬固体表面的水凝胶的相关成果。基于此技术,研究人员在水凝胶里嵌入电子传感器,制成“智能绷带”。然而令他们失望的是,水凝胶最终脱水完全干掉,失去了弹性。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

最近,赵教授的团队卷土重来,他带领的工程师团队找到了一种防止水凝胶脱水的方法。用这种技术可以制造耐用的隐形眼镜,可伸缩的微流计,柔性生物电子产品,甚至是人造皮肤

“不干水凝胶”(左)和普通水凝胶(右)的空气暴露实验对比

研究人员发现在水凝胶的表面覆盖的一层薄薄的弹性体层(弹性体 elastomer,泛指橡胶、硅树脂之类的部分交联的高分子材料。)可以发挥“锁水屏障”的作用,这层屏障可以保持水凝胶的水分和柔性,同时使它更加坚固。研究论文发表在了6月27日的《自然通讯》(Nature Communications)上。

MIT的研究人员展示不会变干的水凝胶:

赵教授说,他们的团队从人体的皮肤结构获得了灵感。人体皮肤有表皮层紧紧附在着内部的真皮上,用以保护皮层内部神经和毛细血管。虽然表皮层谈不上刀枪不入,但是防止人体肌肉和其他器官的水分流失还是绰绰有余了。

因此这种“不干水凝胶”在结构上与人体皮肤此非常相似,但是弹性体和水凝胶的连接处比人体表皮真皮粘合紧密数倍。该团队还构建了一个物理模型,以量化指导不同水凝胶弹性体粘合组合。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

除此之外,研究人员正在探索这种新型水凝胶的潜在应用领域。在这篇论文中,他们展示了在水凝胶中印出微小通道的技术,就像人体的血管一样。他们也在材料中嵌入复杂的粒子线路来模仿人体的神经网络。“我们最终希望实现合成人体皮肤,甚至让机器人拥有柔软灵活具有生物功能的皮肤。”赵教授说道。

水凝胶的防水皮肤

科学家们研究如何防止水凝胶脱水并不是什么新课题。曾有一些科学家曾提出在水凝胶中添加盐来防止脱水,但赵教授认为,这会让水凝胶失去生物相容性甚至对人体组织有毒害。因此,只有同时兼具良好伸展性和防水性的材料才是明智之选。

很快,他们发现了弹性体这种理想的覆盖层。在搜遍了各种化学粘合剂的文献后,他们发现了一种受紫外线激发的粘合剂—苯甲酮。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

他们首先将一片薄弹性体层滴入苯甲酮的溶液中,然后将处理过的弹性体包裹住水凝胶置于紫外线的照射中。形成的混合物在干燥的实验室环境中放置48小时后,没有重量变化。这意味着水凝胶基本保持住了水分。

研究人员们也测试了分离两层材料所需要的剥离力,高达1000J/m2的剥离力比分离人体上表皮所需的力还要高得多。赵教授说道:“这比人体皮肤还要坚韧,我们甚至还能将材料拉神至7倍的长度。”

不可限量的未来

对于赵教授的团队来说,不干的水凝胶只是研究的开始,他们进一步设计出了在水凝胶弹性体混合物里刻出微导管模仿人体血管网络的方法。只需把弹性体置于硅晶圆上用软光刻刻出导管图案,其余步骤与正常混合物相同,就可以得到内部流动不同液体的水凝胶混合物。

在不久的将来,混合弹性体材料可以被用作微流体绷带,通过皮肤将药物输送进人体。水凝胶弹性体微流芯片用不同微流导管输送化学药品,同时在实验室中,微流芯片展现出了良好的伸缩性。

研究团队还探索了混合材料作为复杂离子回路的可能性。神经网络就像一个电路,皮肤里的神经将疼和热的感觉以离子的形式传到各个感官。水凝胶的大部分是由水构成的,因此本身就是天然的优良导体,离子可以在其中自由移动;弹性体的保护层则正好充当了绝缘体,防止离子出逃,简直是天作之合。

尿不湿到智能人造皮肤,华人科学家赵选贺开发出革命性新型材料

为了能够传导离子,混合材料被浸没在氯化钠溶液中,然后将材料中间接上一个LED灯。给电路供电,他们能通过离子电流掌控开关一盏LED灯了。

没有使用任何金属,仅仅用水凝胶就造出了完美的电路,模拟了神经元的功能。在拉伸状态下,他们仍然可以保持良好的连接性和功能。新型水凝胶给大家展现了美好的前景。

团队的下一步就是丰富混合材料的应用。这其中包括可穿戴电子设备,按需输送药物的绷带,和嵌入电路的隐形眼镜。如赵选贺教授所说“我们正在一步一步的拓展水凝胶的工具箱。”

目前所有的应用都处在实验室阶段,赵教授的团队还没有将新型水凝胶投入实际应用。水凝胶和弹性体各自的神奇物理化学特性,让混合材料具有更加丰富的应用。

我们甚至可以想象,智能人造皮肤可以为人体健康监控、病原体感知和药物输送提供帮助,但是这也需要更多交叉学科的共同合作。

【文/DeepTech深科技(微信号:mit-tr)】

氧分子网(www.yangfenzi.com)是关注互联网生态圈的科技新媒体

·氧分子网(http://www.yangfenzi.com)延伸阅读:

MIT和New Balance的“生物皮肤”新衣,可以监控毛孔每一次呼吸

MIT研制出可以瞬间年轻20岁的美容材料,保湿防晒还能辅助治疗

从跑分到材料,小米的营销“艺术” 即将改变世界的13大纳米材料技术

启赋资本傅哲宽:创业更看好互联网+与新材料行业

分享给您的好友:

您可能还喜欢…

  1. 可光固化硅橡胶:高吸水性会从组织吸水;不吸水又会影响毛孔呼吸;未消耗的光固化剂会缓慢析出……常用的UV光固化剂不那么健康

  2. 看来高度类人机器人真的不远了!!弄不好还能直接革新机器人动力输出,直接模仿人类肌肉伸曲。

  3. 虽说一些高科技义肢可由使用者通过神经、肌肉甚至是大脑进行控制,但是无法向佩戴者回馈触觉信息,比如滚烫的物体或即将从“手”里掉落的东西。

    给义肢加上能够感知温度、压力和湿度的材料则可以弥补这些缺陷。一个由韩国研究人员和美国研究人员组成的团队现已制造出一种高分子聚合物,它能够模拟真实皮肤的弹性并具有高分辨精度的皮肤感官功能。

    这种聚合物内布满了由超薄金和硅搭建的高密度传感器网络。平时较为脆弱的硅被制成弯曲的纹理形状,可以自由伸缩。这项研究成果公布在《Nature Communications》杂志上。

    可伸缩传感材料技术近年来有了突飞猛进的发展。这种高分子聚合物目前是敏感度最高的材料,每平方毫米面积内的传感器数量高达400个。

    该项目研究人员鲁贝兹·加法里(Roozbeh Ghaffari)是马萨诸塞州剑桥省一家初创公司MC10的高科技发展部门主管,这家公司正在开发由内置传感器的柔性材料制成的可穿戴产品,加法里说:“如果手部义肢能够配置有这么多高分辨精度的传感器,则可以和正常手指相媲美,发给大脑同样的触觉反馈。”

    研究人员表示,在未来的研究中,为了让这种材料更具柔韧性,他们将会在皮肤上添加一层“温度致动器”,让其拥有和真实皮肤相似的温度。

    让人造皮肤拥有触觉只不过是这种新型智能皮肤所面临的挑战之一,更大的挑战在于如何将传感器与人类神经系统建立可靠而持久的联系,这才能使佩戴者真正拥有触觉。

    在一次粗略演示中,首尔大学里领导该项目研究的金大炯(Dae-Hyeong Kim)展示了一种将智能皮肤与小白鼠大脑连接的接口装置,他成功监测到了动物大脑感觉皮层对于外界刺激的反应。但是,这还无法或者在某种程度上无法让我们得知老鼠是不是真正感受到热度、压力或温度。金大炯说:“要真正了解大脑的具体感受,我们以后还需要在更大型的动物身上做实验。”

    凯斯西储大学的生物医学工程教授达斯汀·泰勒(Dustin Tyler)是神经接口方面的专家,他表示,这种新型材料与现有真正能够向大脑传递信号的接口装置之间还有很大的差距。他说:“这种‘概念验证演示’非常有趣,不过要将这种装置变成真正为人所用的假肢,还需要在牢固性和灵敏性上做大量的工作。”

    就在前不久,泰勒和他的同事帮助美国克利夫兰市的一名失去右手的男子安装了这样一个“有知觉”的义肢。这名男子可以通过肌肉系统来控制手部的运动,义肢内置20个传感器,通过与他残肢神经连接的电极向大脑反馈感觉信息。他能够感知是否拿起了柔软物体,比如草莓,也可以拿住草莓不让它掉下去。

  4. 人工智能是一个充满憧憬的名字,曾经人们对它寄予了很大的期望。然而历史总是比预期的要残酷,事实是之前的几次人工智能热,最后都是有多大脸现多大眼。所以在学人工智能之前,千万不要抱有短期内实现人工智能的想法。要不然你会很快陷入失望。

    然而梦想还是要有的,万一实现了呢?

    要实现梦想,路还是要一步一步走,让我们从“机器学习”学起。

    阶段一:初学乍练
    起步的东西当然要实在一点好玩一点的才好,不要教科书那些不知所云的公式。作为一个python派,怎能不推荐用Python+Theano的组合先跑跑实际的模型。

    首先,花一天时间看完python的基本语法。网上有一本很简洁易用的“速成宝典”《简明 Python 教程》。看一遍真的只要一天!然后大概看一下numpy,基本就和matlab差不多。接下去就是 Deep Learning Tutorials。把这个网页里的前几个模型看一遍,相应的代码下载下来跑通。后面有复杂的看不懂不要紧,先放一边。至少这个时候你有了一个手写字符识别的机器学习系统了。而且对模型、数据、算法这几个部分有了一个大体的了解。知道所谓的机器学习一般是怎么做的了。

    好了现在你已经可以吹牛说你会最基本的人工智能模型了。当然吹牛归吹牛,吹完了赶紧回来看书。

    阶段二:初窥门径
    要做到真的会机器学习,还得对机器学习的算法有一个比较全面的了解。过完阶段二,你才可以不吹牛地说你会最基本的人工智能了。

    推荐几本书跟一个在线课程:
    Andrew Ng的coursera 招牌菜《machine learning》。基础不太好的同学可以看这门课的coursera版,基础好的请移步这门课的youtube版本。Andrew在斯坦福教的版本(即youtube版,CS229)比coursera上的难多了。虽然自学不会有人来批作业,可是课程的assignments,projects也不要落下哦:CS 229: Machine Learning
    《Pattern Classification》。 这本书几乎把所有模型放到一起挨个讲了一遍,虽然不如每个方法对应的专著那样深入,但是讲得还是挺透彻,啃完之后面对别人提到的任何机器学习算法都可以做到心中有数无压力。
    《Pattern Recognition and Machine Learning》。这本书对贝叶斯方法的阐述个人觉得最佳。SVM那部分感觉讲的不太好,看不下去可以略过。看完之后搞generative model无压力。
    《统计机器学习》。不多说,中国人用中文写的好书。李航大神的良心大作。关键中文书的好处是轻便,不像英文书的大部头,走到哪里都能带着,简直居家旅行必备。
    入门的书这几本感觉应该够了,看完了你就会自己发现想看的新的书了。很重要的一点是看的过程中,尤其是跟课的过程中,作业不要落下。要动手编程,自己实现几个模型。

    阶段三:登堂入室
    看完了教材,现在又该回过头来把编程的能力提升一下了。阶段二里面公式推得飞起,可是你认真看过你写的code吗?结构怎么样?模块分得科不科学?如果让你重新写一遍,你会怎么去写?

    结合着看几个大的framework,看看大神们是怎么实现自己之前实现过的那些算法的;他们的接口怎么设计,怎么设置模块。以及更为实用的,怎么使用这些framework。
    scikit-learn。scikit-learn: machine learning in Python。
    Deep Learning方面依旧是推荐一个基于Theano的framework:lasagne(GitHub – Lasagne/Lasagne: Lightweight library to build and train neural networks in Theano)。
    其余的库也值得了解。比如Torch,MXNET跟TensorFlow。个人觉得如果不是专精于开发,这几个当中精通一个,然后能看得懂别的几个,就可以了。因为个人能力所限,对其他三个库以及它们的“生态系统”了解不太多,缺乏横向比较也不敢推荐,还等大神出来补齐这方面的空白。对于Torch,TensorFlow跟Theano的性能倒是有一个直接的对比:arxiv.org 的页面

    看进去就会发现,一个framework的体量根本就远远超出一个人的精力所能涵盖的范围。对于大的库,甚至看完它的源代码都已是不可能。所以重要的是看人家的设计、用人家的接口,在实用中一点点了解深入。比如实现几个大的模型,改改其中的结构,再换个数据集跑一跑。

    恭喜,在完成了这些之后你已经入门了。

    阶段四:心领神会
    继续看书,看深入地讲某一方面的书。把之前过程中遇到的问题打破砂锅问到底。由于每本书都可以是迷死你几个月没商量的主,所以这一部分会花很长的时间,基本得和前一个或者后一个阶段同时进行。而且必须明白的一点是,这些书不可能全部看完,从跟自己最相关最想看的开始看吧,能啃一本是一本。推荐的书:
    《Statistical Learning Theory》
    《All of Statistics》
    《Convex Optimization》
    《Reinforcement Learning: An Introduction》
    《Deep Learning》
    《An Introduction to Information Retrieval》
    。。。。。。
    推荐一个github repo,上面搜集了很多这方面的书:GitHub: awesome machine learning

    还有课程:
    Fei-fei Li 关于ConvNets的课程,虽然她只上了一节课。。Stanford University CS231n: Convolutional Neural Networks for Visual Recognition
    阿花狗的父亲之一,David Silver,给的关于reinforcement learning 的课程: http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
    Hinton在coursera上著名的公开课:Neural Networks for Machine Learning
    PGM的祖师奶Daphne Koller给你讲PGM:Probabilistic Graphical Models
    NLP:Introduction to Natural Language Processing
    自动机理论:Automata

    阶段五:融会贯通
    到这里你会发现这时候你需要的东西那么多。而且不同的子方向深入之后所需要的东西都变得很不一样,不可能一一列出表来。然而有几件事情还是都一样的:
    阅读文献。主要就是arXiv。保证每周细读两篇paper,并且对arxiv上几个相关主题下每周放出来的新paper有个大概的了解(即看过标题或者abstract)。另外还可以在google scholar上关注几个领域内主要的大牛,然后设置新paper提醒。男神出新的paper了?让google贴心地推送到你的邮箱。
    独立地思考问题。尽信paper不如无paper。哪些paper你觉得有问题?哪些paper里面的主张跟你的想法不一样?如果要搞明白,怎样设计实验来分辨出谁对谁错?怎样在别人的paper里面找到破绽驳倒他们的主张?在这个过程中,自己的嘴会变得越发“刁钻刻薄”,当然也使得你写的paper更能挡住别人刁钻刻薄的追问。
    跟数据说话。就像F1的赛车一样,任你引擎跑到多少转任你空气动力学做得如何风骚,最后都得落实到四个轮子上才能把赛车的性能发挥出来。机器学习也一样,任你理论做的怎么漂亮,全得靠数据上实际跑出来的效果说话。所以要不断跟数据打交道,一个方法放上去不好使,那么为啥不好使?好使的时候中间结果应该是什么样的?哪些地方模型的表现暗示着模型没有抓住数据的一些特点?怎样的模型适合具有某一类特性的数据?要怎样改模型才可以让模型能够去学习到你想让它学的东西?用上你的改进后,模型的表现又变得怎样了?
    夯实基础知识。到这个时候基础知识是那么重要。那些原来看上去跟机器学习没关系的课都变得重要了起来。大学里的每门课(额尤其是数学课)都变得那么重要,你好想再去上一遍。。当然哪些基础知识需要夯实,不同的流派就有不同的风格:
    1. 峨眉派
    峨眉派的特点就是数学好。微分几何、凸优化、图论、流形、泛函分析、拓扑学。。数学你还会嫌学得太多吗?
    2. 武当派
    武当派最不喜欢数学,喜欢靠intuition说话。祖师爷Hinton就是这么个人。心理学的背景,致力于搞明白“how the brain works”。Yoshua最近最看重的工作之一也是从神经科学得到启发,叫做biologically plausible deep learning。ConvNet也是受到对猫的神经元的研究的启发。事实上神经网络发展到现在,也没有个严格点数学理论去解释,倒是多看看神经科学的东西,也许会有新的发现。所以这个路子虽然野,却是大神辈出。补点神经科学方面的基础知识绝对不吃亏:Computational Neuroscience。就相当于是机器学习中的仿生学吧。
    3. 昆仑派
    这一派也是数学好,只是他们概率统计特别强大,基本就靠这个吃饭。搞generative model,推bound。之所以把这一部分单列出来,是因为概率和统计在机器学习当中太重要了。
    4. 硬件派
    “我们是搞硬件的可是那也阻当不了我们搞人工智能!我们搞加速算法、压缩模型、搞dedicated hardware。”
    5. 丐帮
    “我没那么厉害的数学基础,但是我编程厉害啊!反正人工智能,我靠大量的实验压死别的派别!我用销魂的架构设计让大家都来用我写的代码!”

    越写画风越不正经,就此打住。并不是说投靠了一个门派其他门派都不用管了,而是说自己门派的东西要比较全面地了解,了解到可以当作自己的背景;别的门派的也要了解些感兴趣的。每个人背景不一样,看问题的角度也不一样,不用也不可能做到样样精通。相比而言更有效的是跟不同背景的人多交流。好的idea经常就是在交流中爆出来的。

    具体哪个派别厉害呢?江湖变幻莫测,又岂能一言蔽之。请时刻关注一年一度的华山论剑:NIPS、ICML、AAAI、ICLR。

  5. 这个世界越来越虚伪了

    想要从事AI的工作,可以尝试去掌握以下技能:
    1、Information Theory:开启新的视角,无论是理论还是应用都会用到
    推荐教材:Elements of Information Theory 2nd Edition
    2、Linear Algebra:无论学什么,都是基础中的基础必须学会。
    推荐教材: Gilbert Strang 的书和视频
    Linear Algebra,Stephen H. Friedberg
    3、Basic statistics & probability & stochastic process:
    顺便说一下,一般的鄙视链是这样的:algebra > probability > statistics > statistical learning > computer vision > old-school AI。
    概率学深了可以很深,但是对the application of machine learning (a.k.a. computer vision) 用处不大。
    推荐教材:暂时没有

    4、Signal Processing/Image Processing:对于computer vision很重要,但对有的领域比如NLP,或者大部分machine learning ,用处有限。
    推荐教材:Image Processing, Analysis, and Machine Vision很老但是适合扫盲。
    Richard Szeliski的Computer Vision: Algorithms and Applications 新但是略偏
    graphics和multimedia,Computer Vision: A Modern Approach (2nd Edition) Amazon.com: Book是经典百科全书。
    还可跳过细节看David Marr的 Vision: A Computational Investigation into the Human Representation and Processing of Visual Information

    5、Statistical learning:哪怕deep learning再火,它也不可能解决所有问题,统计知识是必备的。所以统计学习的那一套基础知识
    推荐教材:
    The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition

    Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series)
    Pattern Recognition and Machine Learning (Information Science and Statistics): Christopher Bishop

    6、Optimization:绝大部分统计学习问题都会转化成优化问题,区别在于有的是严格的分析转化如SVM,有的只是走个优化的套路但真正理论基础还没有得到完善比如deep learning。
    推荐教材:可以尝试 Convex Optimization : Stephen Boyd, Lieven Vandenberghe 。

    最近德国弗劳恩霍夫应用聚合物研究所Erik Wischerhoff博士和波茨坦大学的Andre Laschewsky教授等人在德国《应用》化学上报道了一种能够识别大分子的反蛋白石水凝胶。这种水凝胶以二氧化硅纳米颗粒为模板,以寡聚乙二醇甲基丙烯酸酯为主体,通过共聚具有选择性识别能力的单体,包括benzoboroxol、糖类、生物素衍生物等,对大分子底物进行识别。

    由于聚(寡聚乙二醇甲基丙烯酸酯)本身具有下临界共溶温度(LCST)特性,其散射光又在可见光波段内,这种反蛋白石水凝胶具有对温度响应而改变颜色的能力。与识别单体结合的大分子能够改变水凝胶的亲水性从而对颜色的改变施加影响。作者通过实验展示了这种水凝胶能够有效地抵抗来自结构相似的小分子或大分子的干扰,并且其散射光波长与底物浓度呈半对数相关。

  6. 水凝胶作为三类医疗器械审批的植入性器械,只起到辅助修复作用,并不会产生药物化学反应,在一定程度上是安全的。除了水凝胶还有骨水泥,羟基磷灰石,金属类,根据生物材料的不同属性,应用单范围,种类繁多,也是未来很有发展潜力的领域。

    水凝胶水胶体敷料均包含不同程度的水分。同时内含一种叫羧甲基纤维素钠(CMC)的成分,可以把水塑形为水胶体的固态敷料,或是水凝胶样的半固态形状。这两款敷料的作用都是给伤口提供湿性环境,有助于自溶性清创以及促进伤口愈合的作用。
    临床敷料的商家很多,根据伤口的情况需自行选择合适产品。

    水凝胶敷料一般自身含水超过50%,可以为创面补充水分,一般适用于创面的愈合阶段(或叫肉芽期,一般在创面形成48小时以后),通过维持创面微湿愈合环境,加速创面愈合,提高愈合质量.
    水胶体敷料自身不含水分,但有较强的吸水能力,可以快速吸收创面的渗出液,一般用于创伤的渗出期(受创48小时以内).
    从使用舒适性来看,水凝胶会更舒适些,水凝胶生物相容性更好,当然价格一般也更贵.

    水凝胶能作为出色的药物运载工具是因为其本身的优异性:

    ① 三维网状结构,合物链之间形成的物理或化学键使得水凝胶不易溶解;
    ② 生物相容性好。完全舒展的水凝胶具有某些和活组织相似的物理性状, 如柔软、富有弹性、低的生物流体界面张力,使其植入后对周围组织不那么敏感,并且表面和体液之间的低界面张力减少了蛋白质吸附和细胞黏附,降低了负面免疫反应的可能性;
    ③ 具有水溶胀性,溶胀的过程即药物释放过程,这能够增强药物的停留时 间和组织渗透性;
    ④ 由于水凝胶的生理化学性类似于原生细胞外基质,可作为组织再生以及 药物载荷的辅助材料。

    用可降解的水凝胶比如pegda。采用包埋法把药物制成胶粒可用于缓释释放,并在胶粒上接枝改性上抗体可做定向治疗。