AI-assisted generation and screening of PLLA modifiers for bioresorbable vascular scaffolds

近年来，可降解血管支架（bioresorbable vascular scaffold, BVS）基体材料聚左旋乳酸（poly(L-lactic acid), PLLA）在支撑性、柔顺性与降解行为之间的协同优化问题受到广泛关注。传统依赖经验判断和单因素试错的改性路径往往周期较长、成本较高，且难以在较大候选空间中实现高效筛选。本研究构建了一套结合大语言模型辅助约束设定与 REINVENT 分子生成框架的自动化计算工作流，用于在受约束化学空间中对 PLLA 共混改性剂进行多目标筛选。在相容性、柔顺性、亲水性、安全性约束及合成可及性等条件下，系统生成并评估了超过 38,000 个分子提案，去重后保留 22,089 个唯一候选分子。筛选结果表明，PEG 衍生酯类分子在所设多目标约束下更易进入高分区域。进一步地，本文采用融合 Fox 共混方程、Flory-Huggins 理论与 Fick 扩散分析的物理启发代理模型，对代表性候选体系开展了聚合物层面的理论评估。结果表明，5 wt%~12 wt% 可作为后续实验重点考察的配比范围，其中约 8.5 wt% 可作为代表性中间配比；在模型设定下，共混体系的玻璃化转变温度接近生理温度范围。与此同时，PEG 样醚键的引入可能提高水分传输能力，从而使体系相对于纯 PLLA 呈现更短的相对降解时间尺度。上述结果为 PLLA 基可降解支架材料的改性设计提供了可优先验证的候选分子家族及可实验检验的配比范围。 关键词：聚左旋乳酸，可降解血管支架，人工智能，分子生成，共混改性