Machine-learned Design and Bioxolography of Functional 3D Skeletal Muscle Tissues

Hintergrund. Künstlich hergestelltes 3D-Skelettmuskelgewebe (SMT) ist ein wichtiges Instrument zur Untersuchung der Muskelphysiologie und von Muskelerkrankungen. SMT-Technologie findet Anwendung in der regenerativen Medizin, beim In-vitro-Arzneimittelscreening, in der Biohybrid-Robotik und bei kultiviertem Fleisch. Allerdings ahmt das derzeitige künstliche Muskelgewebe die zelluläre Heterogenität, Architektur und Leistungsfähigkeit biologischer Muskeln nicht effektiv nach. Um dieses Problem zu lösen, entwickeln Forscher Techniken zum Bioprinting, zur Differenzierung und zur Reifung funktioneller Muskelarchitekturen. Maschinelle Lernverfahren (ML) könnten das SMT-Design optimieren, indem sie schnell die idealen Bedingungen für die Muskel-Biofabrikation ermitteln und die komplexen Wechselwirkungen zwischen den Biofabrikationsparametern (Bioprinting, Differenzierung sowie mechanische und elektrische Reifung) und der daraus resultierenden Funktionalität des kontraktilen SMT rechnerisch erfassen. Ziele. Dieses Projekt umfasst vier Hauptziele: (1) Anpassung der Xolographie1 an das Muskel-Bioprinting. Wir werden die Bioxolographie-Technik entwickeln, um hochgradig ausgerichtete und anisotrope, mit Zellen beladene Hydrogele ohne Einschränkungen hinsichtlich der erzielbaren Formen herzustellen. (2) Biofabrikation und Differenzierung von 3D-heterozellulären Muskelkonstrukten. Wir werden ein Protokoll zum Bioprinting, zur Kultivierung und zur Differenzierung von Muskelbündel-Arrays entwickeln, die mehrere Zelltypen enthalten und so den natürlichen Muskel nachahmen. (3) Reifung und Charakterisierung von künstlich hergestelltem Muskelgewebe. Wir werden unser künstlich hergestelltes Muskelgewebe mechanisch stimulieren, um es zur Reife zu bringen, und seine Zellmorphologie und Kontraktionsleistung charakterisieren. (4) Entwicklung einer ML-Pipeline zur Steuerung der Biofabrikation und Konstruktion von Muskelaktuatoren. Schließlich werden wir eine ML-Pipeline entwickeln, die Biofabrikations- und Gewebeengineering-Parameter auf Leistungskennzahlen von künstlichem Muskelgewebe (Struktur und Funktion) abbildet, wobei wir einen differenzierbaren Simulationsansatz nutzen, der ursprünglich zur Modellierung der Verformung von weichen Materialien und Aktuatoren in der Soft-Robotik entwickelt wurde. Wir werden den Proof-of-Concept dieses Modells demonstrieren, indem wir ein asymmetrisches, antagonistisch angetriebenes Skelettmuskelkonstrukt im Zentimetermaßstab entwerfen.