분자적으로 절단 가능한 바이오잉크는 높은

Nature Communications 13권, 기사 번호: 3317(2022) 이 기사 인용

7754 액세스

19 인용

19 알트메트릭

측정항목 세부정보

디지털 광처리 바이오프린팅은 향상된 구조적 복잡성으로 조직의 생체제작을 선호합니다. 그러나 이 방법을 사용한 연조직 제조는 충실도가 높은 바이오프린팅을 위한 바이오잉크의 물리적 성능과 캡슐화된 세포가 번성할 수 있는 적합한 미세 환경의 균형을 맞추는 과제로 남아 있습니다. 여기에서는 히알루론산 메타크릴레이트(HAMA)를 젤라틴 메타크릴로일과 혼합하여 고성능 바이오프린팅을 달성한 후 HAMA를 선택적으로 효소 분해하여 구조적 복잡성과 충실도를 잃지 않고 조직 일치 기계적 특성을 얻는 분자 절단 접근법을 제안합니다. . 우리의 방법은 근육부터 인체의 가장 연약한 기관인 뇌에 이르기까지 광범위한 기계적 강성을 특징으로 하는 여러 생체 인쇄 조직 유형에 걸쳐 세포 형태학적 및 기능적 개선을 가능하게 합니다. 이 플랫폼을 통해 우리는 표적 조직의 생물학적 기능 요구 사항을 충족하기 위해 기계적으로 정밀하게 조정 가능한 구조를 생물 제작할 수 있으며 잠재적으로 조직 및 조직 모델 엔지니어링에 폭넓게 응용할 수 있는 길을 열었습니다.

일반적으로 3차원(3D) 바이오프린팅으로 알려진 적층형 바이오제조는 다양한 응용 분야에서 조직 바이오제조에 대한 관심이 지속적으로 증가하고 있습니다1,2,3,4,5. 특히, 조직 생성에 최적화된 다인자적 기계적, 생리학적 요구 사항을 충족하려면 세심하게 설계된 바이오잉크와 3D 바이오프린팅의 적절한 통합이 필요합니다. 현재까지 다양한 3D 바이오프린팅 방식6,7을 사용하여 조직을 모방한 모양과 기하학적 구조를 특징으로 하는 구조적으로 정교한 구조물을 생산하는 데 상당한 진전이 이루어졌습니다. 특히, 디지털 광 처리(DLP) 기반 접근 방식을 사용하는 3D 바이오 프린팅은 압출 기반 기술과 같은 다른 바이오 프린팅 방법에 비해 인쇄 속도와 구조적 복잡성 측면에서 우수한 성능을 나타내는 경우가 많습니다8,9,10. 예를 들어, 원위 폐 모방 구조물 및 혈관형 마이크로채널 내장 구조물의 하이드로겔 모델의 바이오프린팅은 최근 DLP 기반 (바이오)프린팅사용을 통해 보고되었습니다.

구조적 복잡성이 조직 재현에 중요한 역할을 하지만, 적절한 조직별 기능을 달성하려면 생리학적 미세 환경도 고려해야 합니다. 실제로 DLP 바이오프린팅을 위한 바이오잉크 활성화를 공식화하기 위한 최적화 작업은 거의 수행되지 않았습니다. 이는 인쇄 충실도에 대한 기계적 요구를 충족하는 동시에 로드된 세포 유형에 대한 생물학적 요구 사항을 충족해야 합니다. 특히, 뇌와 간과 같은 연조직 모방을 구성하는 것은 여전히 매우 어려운 일입니다. 사실, 연조직 생체제작을 위한 바이오잉크 개발의 전제조건은 일반적으로 다양한 바이오프린팅 방식에 걸쳐 상호 배타적입니다. 한편, 강한 기계적 특성을 지닌 바이오잉크는 압출 바이오프린팅에서 필라멘트 증착이나 DLP 바이오프린팅에서 층별 리프팅을 도울 수 있습니다. 그럼에도 불구하고, 딱딱한 바이오잉크 네트워크는 원래 연조직인 세포에 대해 세포 확산, 증식 및 분화를 포함하되 이에 국한되지 않는 제한된 세포 기능을 초래합니다. 반면, 연조직 유래 세포와 호환되는 바이오잉크의 기계적 특성은 일반적으로 바이오프린팅 과정을 용이하게 하기에는 충분하지 않으며, 특히 체적 구조가 필요한 경우에는 더욱 그렇습니다. 이러한 딜레마는 DLP 바이오프린팅에 관한 현재 존재하는 방대한 보고서에서 잘 예시됩니다. (바이오)잉크 역학이 높을 때 생체 활성이 제한된 고충실도, 체적적으로 정교한 구조를 얻을 수 있는 반면, 좋은 세포 활동을 가진 부드러운 바이오잉크는 평면 또는 유사 3D 조직 구조만 생성할 수 있습니다. 따라서, 세포 적합하지만 기계적으로 조정 가능한 바이오잉크 디자인의 부족은 진정한 3D, 구조적 및 생물학적으로 관련된 조직 구성의 DLP 바이오프린팅의 추가 적용을 위한 주요 억제제로 남아 있습니다.

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>