Prevedere e chiarire il post

Rapporti scientifici volume 13, numero articolo: 1211 (2023) Citare questo articolo

1500 accessi

4 citazioni

12 Altmetrico

Dettagli sulle metriche

Una caratteristica chiave che distingue la biostampa 3D da altre tecniche di coltura cellulare 3D è il suo controllo preciso sulle strutture create. Questa proprietà consente la fabbricazione ad alta risoluzione di strutture biomimetiche con proprietà strutturali e meccaniche controllate come porosità, permeabilità e rigidità. Tuttavia, l’analisi delle dinamiche cellulari post-stampa e l’ottimizzazione delle loro funzioni all’interno dell’ambiente fabbricato in 3D è possibile solo attraverso tentativi ed errori e replicando diversi esperimenti. Questo problema ha motivato lo sviluppo di un modello di automi cellulari per la prima volta per simulare il comportamento cellulare post-stampa all’interno del costrutto biostampato 3D. Per migliorare il nostro modello, abbiamo biostampato un costrutto 3D utilizzando l'idrogel carico di cellule MDA-MB-231 e valutato le funzioni cellulari, tra cui vitalità e proliferazione in 11 giorni. I risultati hanno mostrato che il nostro modello ha simulato con successo la struttura biostampata in 3D e ha catturato osservazioni in vitro. Abbiamo dimostrato che il modello in silico potrebbe prevedere e chiarire le funzioni biologiche post-stampa per diversi numeri di cellule iniziali nel bioinchiostro e diverse formulazioni di bioinchiostro con gelatina e alginato, senza replicare diverse misurazioni in vitro costose e dispendiose in termini di tempo. Riteniamo che un tale quadro computazionale avrà un impatto sostanziale sulla futura applicazione della biostampa 3D. Ci auguriamo che questo studio ispiri i ricercatori a comprendere ulteriormente come un modello in silico potrebbe essere utilizzato per far avanzare la ricerca sulla biostampa 3D in vitro.

Uno dei fiorenti metodi di biofabbricazione 3D è la biostampa tridimensionale (3D), ampiamente applicata nella medicina rigenerativa e nell’ingegneria dei tessuti per fabbricare strutture complesse che mimetiche i tessuti1. L'applicazione di questa tecnica ha un grande potenziale nella terapia personalizzata con maggiore attenzione al controllo del rilascio del farmaco, allo screening farmacologico per il trattamento del cancro, allo studio dei possibili effetti collaterali e all'analisi delle metastasi e dell'invasione delle cellule tumorali2. La tecnica di bioprinting 3D combina cellule, biomateriali e sistemi motori controllati per sviluppare strutture 3D complesse e ha un controllo accurato sulle caratteristiche della struttura come proprietà meccaniche, porosità, permeabilità e rigidità3,4,5. Questa tecnica può superare molteplici limitazioni dei tradizionali metodi 3D incorporando aspetti importanti dell'habitat cellulare. Questi aspetti includono un microambiente 3D non uniforme simile alla matrice extracellulare naturale (ECM) dei tumori, complesse interazioni delle cellule con le cellule vicine e con l'ECM locale e complicati processi di diffusione di nutrienti e ossigeno6,7,8. Pertanto, questo metodo può essere utilizzato per rappresentare meglio le informazioni sui meccanismi di crescita cellulare e fornire una previsione più precisa della dinamica del tumore in vivo e della risposta delle cellule tumorali alle terapie7.

Nonostante il rapido progresso del metodo di biostampa 3D, ci sono alcune sfide che devono essere affrontate. Attualmente, la tecnica del bioprinting si basa principalmente su tentativi ed errori per ottenere il risultato desiderato, aumentando la necessità di tecniche sperimentali. Questa base di tentativi ed errori include l’ottimizzazione delle proprietà del bioinchiostro e della sua stampabilità, resistenza meccanica della struttura e vitalità cellulare durante e post-stampa. Pertanto, è molto costoso ottimizzare gli esperimenti relativi alla bioprinting9. Queste sfide rendono più complicata la progettazione sperimentale e la raccolta dei dati in questo processo.

I metodi in silico possono essere utilizzati per integrare gli esperimenti in vitro e aiutare ad affrontare alcuni dei limiti di questo metodo 3D10,11,12. Gli approcci in-silco comuni includono metodi di apprendimento automatico (ML) e modellazione meccanicistica. I modelli ML possono essere ulteriormente classificati come reti neurali profonde, foreste casuali, macchine a vettori di supporto (SVM) e classificatori di alberi. Il machine learning sta diventando sempre più noto per essere applicato in diverse fasi del processo di stampa 3D, come l'ottimizzazione del processo, l'analisi dell'accuratezza della costruzione, la diagnosi dei difetti e la previsione delle proprietà del bioinchiostro13. Ad esempio, Xu et al.14 hanno creato con successo un modello predittivo utilizzando approcci ML per anticipare la vitalità cellulare con buona sensibilità e per valutare l'importanza di vari parametri di processo, tra cui l'intensità UV e il tempo di esposizione ai raggi UV, sulla vitalità cellulare nella biostampa 3D basata sulla stereolitografia . Numerosi studi hanno anche provato a sviluppare diverse tecniche basate su ML per ottimizzare la stampabilità dei bioink. Ad esempio, Lee j et al.15 hanno dimostrato la relazione tra stampabilità e caratteristiche meccaniche dell'inchiostro utilizzando l'analisi di regressione multipla. Tuttavia, nonostante i grandi progressi nell’applicazione dei modelli ML nelle scienze biomediche, questo metodo deve affrontare alcune limitazioni a seconda del processo di raccolta dei dati e dell’obiettivo dello studio.