Прогнозирование и пояснение поста

Научные отчеты, том 13, Номер статьи: 1211 (2023) Цитировать эту статью

1500 доступов

4 цитаты

12 Альтметрика

Подробности о метриках

Ключевой особенностью, отличающей 3D-биопечать от других методов 3D-культуры клеток, является точный контроль над создаваемыми структурами. Это свойство позволяет изготавливать биомиметические структуры с высоким разрешением и контролируемыми структурными и механическими свойствами, такими как пористость, проницаемость и жесткость. Однако анализ динамики клеток после печати и оптимизация их функций в созданной 3D-среде возможны только методом проб и ошибок и повторения нескольких экспериментов. Эта проблема побудила впервые разработать модель клеточного автомата для моделирования поведения клеток после печати в 3D-биопечатной конструкции. Чтобы улучшить нашу модель, мы напечатали 3D-конструкцию с использованием насыщенного клетками гидрогеля MDA-MB-231 и оценили клеточные функции, включая жизнеспособность и пролиферацию, за 11 дней. Результаты показали, что наша модель успешно имитировала 3D-биопечатную структуру и фиксировала наблюдения in vitro. Мы продемонстрировали, что модель in silico может прогнозировать и объяснять биологические функции после печати для различного исходного количества клеток в биочернилах и различных составах биочернил с желатином и альгинатом, без повторения нескольких дорогостоящих и трудоемких измерений in vitro. Мы считаем, что такая вычислительная система существенно повлияет на будущее применение 3D-биопечати. Мы надеемся, что это исследование вдохновит исследователей на дальнейшее понимание того, как модель in silico может быть использована для продвижения исследований в области 3D-биопечати in vitro.

Одним из развивающихся методов 3D-биофабрикации является трехмерная (3D) биопечать, которая широко применяется в регенеративной медицине и тканевой инженерии для изготовления сложных тканемиметических структур1. Применение этого метода имеет большой потенциал в персонализированной терапии с большим вниманием к контролю высвобождения лекарств, скринингу лекарств для лечения рака, изучению возможных побочных эффектов и анализу метастазирования и инвазии опухолевых клеток2. Методика 3D-биопечати объединяет клетки, биоматериалы и управляемые двигательные системы для создания сложных 3D-структур и позволяет точно контролировать такие характеристики структуры, как механические свойства, пористость, проницаемость и жесткость3,4,5. Этот метод может преодолеть многочисленные ограничения традиционных 3D-методов за счет включения важных аспектов клеточной среды обитания. Эти аспекты включают неоднородное трехмерное микроокружение, подобное естественному внеклеточному матриксу (ECM) опухолей, сложные взаимодействия клеток с соседними клетками и с локальным ECM, а также сложные процессы диффузии питательных веществ и кислорода6,7,8. Таким образом, этот метод можно использовать для лучшего понимания механизмов роста клеток и более точного прогнозирования динамики опухоли in vivo и реакции раковых клеток на терапию7.

Несмотря на быстрое развитие метода 3D-биопечати, существуют некоторые проблемы, которые необходимо решить. В настоящее время метод биопечати в основном применяется методом проб и ошибок для достижения желаемого результата, что увеличивает потребность в экспериментальных методах. Этот метод проб и ошибок включает в себя оптимизацию свойств биочернил и их пригодности для печати, механической прочности структуры и жизнеспособности клеток во время и после печати. Поэтому оптимизация экспериментов, связанных с биопечатью, обходится очень дорого9. Эти проблемы усложняют постановку эксперимента и сбор данных в этом процессе.

Методы in silico могут использоваться в качестве дополнения к экспериментам in vitro и помогают устранить некоторые ограничения этого 3D-метода10,11,12. Общие подходы in-silco включают методы машинного обучения (ML) и механистическое моделирование. Модели ML можно далее разделить на глубокие нейронные сети, случайные леса, машины опорных векторов (SVM) и древовидные классификаторы. Становится все более известным, что машинное обучение применяется на различных этапах процесса 3D-печати, таких как оптимизация процесса, анализ точности конструкции, диагностика дефектов и прогнозирование свойств биочернил13. Например, Сюй и др.14 успешно создали прогностическую модель с использованием подходов машинного обучения для прогнозирования жизнеспособности клеток с хорошей чувствительностью и для оценки важности различных параметров процесса, включая интенсивность УФ-излучения и время воздействия УФ-излучения, на жизнеспособность клеток при трехмерной биопечати на основе стереолитографии. . В многочисленных исследованиях также предпринимались попытки разработать различные методы на основе машинного обучения для оптимизации печатных свойств биочернил. Например, Ли Дж и др.15 продемонстрировали взаимосвязь между пригодностью для печати и механическими характеристиками чернил с помощью множественного регрессионного анализа. Однако, несмотря на большой прогресс в применении моделей МО в биомедицинских науках, этот метод сталкивается с некоторыми ограничениями в зависимости от процесса сбора данных и цели исследования.