Las células madre se han utilizado ampliamente para producir injertos óseos artificiales. No obstante, la variabilidad en el grado de diferenciación de las células madre es un inconveniente inherente al desarrollo de injertos artificiales y requiere herramientas de evaluación robustas que puedan certificar la calidad de los productos basados en células madre y evitar la variabilidad relacionada con el tejido de origen y específica del paciente en los resultados. Se han utilizado análisis ómicos para la evaluación de los atributos de las células madre en todas las etapas de la biomanufactura de células madre. En este contexto, se utilizó metabolómica en combinación con aprendizaje automático para la evaluación de la calidad de la diferenciación osteogénica en cultivos 2D y 3D. El análisis metabolómico se realizó con el uso de cromatografía de gases-espectrometría de masas (GC-MS). Se utilizó un conjunto de 11 metabolitos para entrenar un modelo XGboost que logró un excelente rendimiento en la distinción entre células madre mesenquimatosas de sangre de cordón umbilical (UCB MSCs) diferenciadas y no diferenciadas. El modelo se evaluó con muestras no presentes en el conjunto de entrenamiento, siendo capaz de capturar eficientemente la osteogénesis en cultivos 3D de UCB MSC con un área bajo la curva (AUC) del 82.6%. Por el contrario, el modelo no capturó ninguna diferenciación en muestras de MSC de gelatina de Wharton, que son conocidas por su bajo rendimiento en la diferenciación osteogénica (AUC del 56.2%). La mineralización se correlacionó significativamente con los niveles de fumarato, glicerol y mio-inositol, los cuatro metabolitos considerados más importantes para el rendimiento del modelo (R = 0.89, R = 0.94 y R = 0.96, y = 0.016, = 0.0059, y = 0.0022, respectivamente). En conclusión, nuestros resultados indican que la metabolómica en combinación con el aprendizaje automático puede utilizarse para el desarrollo de ensayos de potencia fiables para la evaluación de Productos Medicinales de Terapia Avanzada.