Les bio-encres moléculairement clivables facilitent une haute | Robinet à tournant sphérique Cie., Ltd de Nantong

Nature Communications volume 13, Numéro d'article : 3317 (2022) Citer cet article

8671 Accès

26 citations

21 Altmétrique

Détails des métriques

La bio-impression numérique par traitement de la lumière favorise la biofabrication de tissus avec une complexité structurelle améliorée. Cependant, la fabrication de tissus mous avec cette méthode reste un défi pour équilibrer les performances physiques des bio-encres pour une bio-impression haute fidélité et des microenvironnements appropriés pour le développement des cellules encapsulées. Nous proposons ici une approche de clivage moléculaire, dans laquelle le méthacrylate d'acide hyaluronique (HAMA) est mélangé avec du méthacryloyle de gélatine pour obtenir une bio-impression haute performance, suivie d'une digestion enzymatique sélective du HAMA, ce qui permet d'obtenir des propriétés mécaniques adaptées aux tissus sans perdre la complexité et la fidélité structurelles. . Notre méthode permet des améliorations morphologiques et fonctionnelles cellulaires sur plusieurs types de tissus bio-imprimés présentant un large éventail de rigidité mécanique, des muscles au cerveau, l'organe le plus mou du corps humain. Cette plate-forme nous permet de biofabriquer des constructions mécaniquement réglables avec précision pour répondre aux exigences fonctionnelles biologiques des tissus cibles, ouvrant potentiellement la voie à de larges applications dans l'ingénierie des tissus et des modèles tissulaires.

La biofabrication additive, communément appelée bio-impression tridimensionnelle (3D), suscite une attention toujours croissante dans le domaine de la biofabrication tissulaire pour une gamme d'applications1,2,3,4,5. En particulier, une bonne intégration de la bio-impression 3D avec des bio-encres méticuleusement conçues est nécessaire pour répondre aux exigences mécaniques et physiologiques multifactorielles optimisées pour la génération de tissus. À ce jour, des progrès significatifs ont été réalisés dans la production de constructions structurellement sophistiquées présentant des formes et des géométries imitant les tissus en utilisant diverses modalités de bio-impression 3D6,7. Notamment, la bio-impression 3D utilisant l’approche basée sur le traitement numérique de la lumière (DLP) présente souvent des performances supérieures en termes de vitesse d’impression ainsi que de complexité structurelle par rapport à d’autres méthodes de bio-impression, telles que les techniques basées sur l’extrusion8,9,10. Par exemple, la bio-impression de modèles d'hydrogel d'une construction imitant un poumon distal et de constructions intégrées à des microcanaux de type vaisseau, entre autres, a été récemment rapportée grâce à l'utilisation de la (bio)impression basée sur DLP11.

Bien que la complexité structurelle joue un rôle essentiel dans la récapitulation des tissus, les microenvironnements physiologiques sont également essentiels à prendre en compte pour atteindre les fonctions spécifiques aux tissus12. En fait, très peu de travaux d’optimisation ont été réalisés pour formuler des bio-encres permettant la bio-impression DLP, qui devraient répondre à la demande mécanique de fidélité d’impression tout en satisfaisant simultanément les exigences biologiques des types de cellules chargées13. En particulier, il reste très difficile de construire des imitations d’organes mous tels que le cerveau et le foie14. En fait, les conditions préalables au développement de bio-encres pour la biofabrication des tissus mous s’excluent normalement mutuellement selon les différentes modalités de bio-impression. D’une part, les bio-encres dotées de fortes propriétés mécaniques peuvent faciliter le dépôt de filaments dans la bio-impression par extrusion ou le levage couche par couche dans la bio-impression DLP15. Néanmoins, les réseaux rigides de bio-encres entraînent des fonctions cellulaires limitées, y compris, mais sans s'y limiter, la propagation, la prolifération et la différenciation cellulaire, pour les cellules provenant de tissus mous à l'origine16,17. D’un autre côté, les propriétés mécaniques des bio-encres compatibles avec les cellules dérivées des tissus mous sont généralement insuffisantes pour faciliter le processus de bio-impression, en particulier lorsque des constructions volumétriques sont souhaitées9,18. Ce dilemme est bien illustré par le vaste corpus de rapports actuellement existants sur la bio-impression DLP ; des structures haute fidélité et volumétriquement sophistiquées avec des bioactivités limitées peuvent être obtenues lorsque la mécanique de la (bio)encre est élevée11, alors que des bioencres douces avec de bonnes activités cellulaires ne permettraient que la création de constructions tissulaires planaires ou pseudo-3D19,20. Par conséquent, le manque de conception de bio-encres cytocompatibles mais mécaniquement réglables reste un inhibiteur majeur pour d’autres applications de la bio-impression DLP de constructions tissulaires véritablement 3D, structurellement et biologiquement pertinentes.

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>