게시물 예측 및 설명

Scientific Reports 13권, 기사 번호: 1211(2023) 이 기사 인용

1500 액세스

4 인용

12 알트메트릭

측정항목 세부정보

3D 바이오프린팅을 다른 3D 세포 배양 기술과 구별하는 주요 특징은 생성된 구조를 정밀하게 제어한다는 것입니다. 이 특성을 통해 다공성, 투과성 및 강성과 같은 구조적 및 기계적 특성이 제어된 생체 모방 구조의 고해상도 제작이 가능합니다. 그러나 인쇄 후 세포 역학을 분석하고 3D 제작 환경 내에서 기능을 최적화하는 것은 시행착오와 여러 실험 복제를 통해서만 가능합니다. 이 문제는 3D 생체 인쇄 구조 내에서 인쇄 후 세포 행동을 시뮬레이션하기 위해 처음으로 세포 자동 모델의 개발에 동기를 부여했습니다. 모델을 개선하기 위해 MDA-MB-231 세포가 함유된 하이드로겔을 사용하여 3D 구조를 바이오프린팅하고 11일 만에 생존력과 증식을 포함한 세포 기능을 평가했습니다. 결과는 우리 모델이 3D 바이오프린팅 구조를 성공적으로 시뮬레이션하고 체외 관찰을 포착했다는 것을 보여주었습니다. 우리는 in-silico 모델이 비용이 많이 들고 시간이 많이 소요되는 여러 가지 시험관 내 측정을 복제하지 않고도 바이오잉크의 다양한 초기 세포 수와 젤라틴 및 알지네이트가 포함된 다양한 바이오잉크 제제에 대한 인쇄 후 생물학적 기능을 예측하고 설명할 수 있음을 입증했습니다. 우리는 이러한 계산 프레임워크가 3D 바이오프린팅의 향후 적용에 상당한 영향을 미칠 것이라고 믿습니다. 우리는 이 연구가 연구자들이 in-silico 모델이 in vitro 3D 바이오프린팅 연구를 발전시키기 위해 어떻게 활용될 수 있는지 더 깊이 깨닫도록 영감을 주기를 바랍니다.

급성장하는 3D 바이오제작 방법 중 하나는 3차원(3D) 바이오프린팅이며, 이는 재생 의학 및 조직 공학에 널리 적용되어 복잡한 조직 모방 구조를 제작합니다. 이 기술의 적용은 약물 방출 제어, 암 치료를 위한 약물 스크리닝, 가능한 부작용 연구, 종양 세포의 전이 및 침윤 분석에 더욱 집중하는 맞춤형 치료에 큰 잠재력을 가지고 있습니다2. 3D 바이오프린팅 기술은 세포, 생체재료 및 제어된 모터 시스템을 결합하여 복잡한 3D 구조를 개발하고 기계적 특성, 다공성, 투과성 및 강성과 같은 구조의 특징을 정확하게 제어합니다3,4,5. 이 기술은 세포 서식지의 중요한 측면을 통합하여 기존 3D 방법의 여러 한계를 극복할 수 있습니다. 이러한 측면에는 종양의 천연 세포외 기질(ECM)과 유사한 불균일한 3D 미세 환경, 세포와 이웃 세포 및 국소 ECM과의 복잡한 상호 작용, 영양분과 산소의 복잡한 확산 과정이 포함됩니다6,7,8. 따라서 이 방법은 세포 성장 메커니즘에 대한 통찰력을 더 잘 표현하고 생체 내 종양 역학 및 치료법에 대한 암세포의 반응을 더 자세히 예측하는 데 사용될 수 있습니다7.

3D 바이오프린팅 방법의 빠른 발전에도 불구하고 해결해야 할 몇 가지 과제가 있습니다. 현재 바이오프린팅 기술은 원하는 출력을 얻기 위해 주로 시행착오를 거치고 있어 실험적 기술의 필요성이 높아지고 있습니다. 이 시행착오 기반에는 바이오잉크 특성과 ​​인쇄성, 구조 기계적 강도 및 인쇄 중 및 인쇄 후 세포 생존 가능성의 최적화가 포함됩니다. 따라서 바이오프린팅 관련 실험을 최적화하는 것은 매우 비용이 많이 듭니다. 이러한 과제는 이 과정에서 실험 설계와 데이터 수집을 더욱 복잡하게 만듭니다.

In silico 방법은 시험관 내 실험을 보완하고 이 3D 방법10,11,12의 일부 한계를 해결하는 데 도움이 될 수 있습니다. 일반적인 in-silco 접근 방식에는 기계 학습(ML) 방법과 기계적 모델링이 포함됩니다. ML 모델은 심층 신경망, 랜덤 포레스트, SVM(지원 벡터 머신) 및 트리 분류자로 더 분류될 수 있습니다. ML은 프로세스 최적화, 구성 정확도 분석, 결함 진단 및 바이오잉크 특성 예측과 같은 3D 프린팅 프로세스의 다양한 단계에 적용되는 것으로 점점 더 잘 알려져 있습니다. 예를 들어, Xu 등은 ML 접근법을 사용하여 우수한 감도로 세포 생존 가능성을 예측하고 광조형 기반 3D 바이오프린팅에서 세포 생존 가능성에 대한 UV 강도 및 UV 노출 시간을 비롯한 다양한 공정 매개변수의 중요성을 평가하는 예측 모델을 성공적으로 만들었습니다. . 또한 여러 연구에서 바이오잉크의 인쇄성을 최적화하기 위해 다양한 ML 기반 기술을 개발하려고 시도했습니다. 예를 들어, Lee j et al.15는 다중 회귀 분석을 사용하여 인쇄성과 잉크의 기계적 특징 사이의 관계를 입증했습니다. 그러나 이 방법은 의생명과학 분야에서 ML 모델을 적용하는 데 큰 진전이 있었음에도 불구하고 데이터 수집 과정과 연구 목적에 따라 몇 가지 한계에 직면해 있습니다.