[目的]通过多种机器学习方法建立多特征参数对椎间盘支架生物学效应的预测模型，以降低实验试错成本，实现椎间盘退行性病变组织工程治疗的高效化.[方法]基于近10年(2014—2024年)椎间盘支架相关材料、工艺、细胞培养数据，构建特征多维、标签多样的综合数据集，进而采用岭分类器、高斯朴素贝叶斯(Gaussian NB)、线性判别分析(LDA)、高斯过程分类器(GPC)等21种分类算法，评估各模型在数据集上的预测性能.[结果]多数分类模型在本数据集上的预测一致性较好，且运行时间较短，其中基于岭分类器算法构建的机器学习模型能最准确地预测支架上的细胞行为；进一步通过模型可解释性分析，可获知各支架特征参数生物学效应的方向和程度，从而使该模型具有较高的推广价值.[结论]机器学习方法对于椎间盘组织工程体系的开发具有指导意义，通过恰当的模型构建，研究人员可以有针对性地进行特征组合，从而简单快捷地设计出具有良好生物学活性的支架.