分子的に切断可能なバイオインクにより、高い効果が得られます。

Nature Communications volume 13、記事番号: 3317 (2022) この記事を引用

8386 アクセス

21件の引用

20 オルトメトリック

メトリクスの詳細

デジタル光処理バイオプリンティングは、構造の複雑さが改善された組織のバイオファブリケーションに有利です。ただし、この方法による軟組織の作製には、高忠実度のバイオプリンティングのためのバイオインクの物理的性能と、カプセル化された細胞が増殖するのに適切な微環境のバランスをとるという課題が残っています。ここでは、ヒアルロン酸メタクリレート (HAMA) をゼラチンメタクリロイルと混合して高性能バイオプリンティングを実現し、続いて HAMA を選択的に酵素消化することで、構造の複雑さと忠実性を失うことなく組織に適合する機械的特性をもたらす分子切断アプローチを提案します。。私たちの方法は、筋肉から人体の最も柔らかい器官である脳に至るまで、広範囲の機械的剛性を特徴とする複数のバイオプリント組織タイプにわたって細胞の形態学的および機能的改善を可能にします。このプラットフォームにより、標的組織の生物学的機能要件を満たす機械的に正確に調整可能な構造をバイオファブリケーションできるようになり、組織および組織モデル工学における広範な応用への道が開かれる可能性があります。

一般に三次元 (3D) バイオプリンティングとして知られる付加的バイオマニュファクチャリングは、さまざまな用途で組織バイオファブリケーションにおける注目を集め続けています 1、2、3、4、5。特に、組織生成に最適化された多要素の機械的および生理学的要件を満たすには、3D バイオプリンティングと綿密に設計されたバイオインクを適切に統合することが必要です。現在までに、さまざまな 3D バイオプリンティングモダリティを使用して、組織を模倣した形状や幾何学形状を特徴とする構造的に洗練された構造物の製造に向けて大きな進歩が見られました 6,7。特に、デジタル光処理 (DLP) ベースのアプローチを使用した 3D バイオプリンティングは、押出ベースの技術などの他のバイオプリンティング方法と比較して、印刷速度と構造の複雑さの両方の点で優れたパフォーマンスを示すことがよくあります 8、9、10。たとえば、DLP ベースの (バイオ) プリンティングを使用した、遠位肺模倣構造や血管状マイクロチャネル埋め込み構造などのヒドロゲルモデルのバイオプリンティングが最近報告されました 11。

構造の複雑さは組織の再現において重要な役割を果たしますが、適切な組織固有の機能を達成するには生理学的微小環境も考慮することが不可欠です12。実際、DLP バイオプリンティングを可能にするバイオインクを配合するための最適化作業はほとんど行われていません。これは、印刷の忠実度という機械的要求を満たすと同時に、ロードされたセルタイプの生物学的要件も満たさなければなりません 13。特に、脳や肝臓などの柔らかい器官を模倣したものを構築することは依然として非常に困難です14。実際のところ、軟組織バイオファブリケーション用のバイオインク開発の前提条件は、通常、さまざまなバイオプリンティング手法間で相互に排他的です。一方で、強力な機械的特性を持つバイオインクは、押出バイオプリンティングにおけるフィラメントの堆積や、DLP バイオプリンティングにおける層ごとのリフティングに役立ちます15。それにもかかわらず、硬いバイオインクネットワークは、軟組織由来の細胞の細胞の拡散、増殖、分化などの細胞機能を制限します16、17。一方で、軟組織由来細胞と適合するバイオインクの機械的特性は、通常、特に体積測定構造が必要な場合、バイオプリンティングプロセスを促進するには不十分です9,18。このジレンマは、DLP バイオプリンティングに関する現在存在する膨大な報告書によってよく例証されています。 (バイオ)インクのメカニズムが高い場合には、生物活性が限られた、高忠実度で体積的に洗練された構造が得られます 11 が、良好な細胞活性を備えたソフトバイオインクでは、平面または疑似 3D 組織構造体の作成のみが可能になります 19,20。したがって、細胞適合性がありながらも機械的に調整可能なバイオインク設計の欠如は、真の 3D 構造的および生物学的に関連する組織構築物の DLP バイオプリンティングのさらなる応用にとって主要な阻害要因として残ります。

20 kPa generally exhibited good printability in the DLP-based method./p>7.5% pure GelMA (3.0 ± 0.5 kPa). It should be pointed out once more that the 7.5% GelMA by itself is almost non-printable through the DLP method (Supplementary Fig. 2). More importantly, a wide range of compressive moduli could be achieved through the digestible HAMA network, from ~180 kPa all the way down to 1 kPa, which is suitable for modeling multiple soft tissues including but not limited to the brain (1–4 kPa), the liver (1–10 kPa), the lung (10–15 kPa), and the heart (30–60 kPa)44./p>130 kPa). Figure 3c elucidated the establishment of parameter maps, by which any targeted moduli of mimic tissues could be navigated to find the initial concentrations of GelMA/HAMA to print, as well as the conditions of Hase concentration and digestion times for post-printing treatment, suggesting a good potential for multiple soft-tissue designs and fabrications. We further conducted additional verification experimental trials according to the predicted outcomes based on this established mathematical model. Target modulus values of 5, 15, 30, 65, and 110 kPa were chosen and the parameters used were calculated using numerical optimizations. This broad modulus range roughly covered our desired tissue moduli. The prediction interval was calculated beforehand to estimate an interval in which the mean of the additional trials would fall, at a probability of 95%. As shown in Supplementary Table 2, all five experimental moduli were found within the range of the respective prediction intervals (PIs), verifying the success of this simulation model./p>4.0 indicated that the model was suitable to navigate the design space for prediction./p>300 copies of one molecular. The DNBs were loaded into the patterned nanoarray and single-end 50 (pair-end 100/150) bases reads were generated in the way of combinatorial Probe Anchor Synthesis (cPAS). We applied Bowtie2 for mapping the clean reads to the reference gene sequence, and then used RSEM to calculate the gene expression level of each sample. Significant DEGs were determined by false discovery rate (FDR) < 0.05. According to the results of differential gene detection, the R package heatmap was used to perform hierarchical clustering analysis on the union set differential genes. PCA was performed for comparison between the samples (GM and Hase-1000). For GO and KEGG pathway enrichment analyses, all DEGs were mapped to terms in the KEGG and GO databases and queried for significantly enriched terms. Pathway with Q-value (corrected P-value) < 0.05 was defined as the pathway that is significantly enriched in differentially expressed genes. GSEA was performed with the database of GSEA MSigDB C5 (GO) biological processes./p>