Thermosensitive chitosan-based hydrogels for extrusion-based bioprinting and injectable scaffold for articular tissue engineering
Bibliographic record
Abstract
La bio-impression est une forme avancée de fabrication additive qui permet de créer des structures 3D vivantes (contenant des cellules) et de créer des modèles 3D de tissus ou, à plus long terme, des tissus implantables pour remplacer les tissus ou organes malades ou endommagés. La bio-impression connaît une croissance rapide mais doit faire face à plusieurs défis. L'un d'entre eux consiste à trouver des matériaux extrudables contenant des cellules (appelée bioencres) qui combinent toutes les propriétés requises. Les hydrogels de chitosan thermosensibles qui forment des solutions à température ambiante mais gélifient rapidement à la température du corps sont d’intéressants candidats comme bioencre mais à ce jour il n'y a pas encore eu de résultats convaincants démontrant leur potentiel. De plus, les méthodes rhéologiques permettant de prédire leur imprimabilité font toujours défaut. L'objectif général de ce doctorat était d'étudier et optimiser les hydrogels thermosensibles à base de chitosan fabriqué avec un mélange de deux bases faibles, (bêta-glycérophosphate et hydrogénocarbonate de sodium) pour la bio-impression par extrusion, notamment pour l'ingénierie des tissus articulaires. \nNous avons tout d’abord développé une approche rhéologique pour évaluer leur potentiel en tant que bioencres. Les cinétiques de gélification à température ambiante et du corps ont été caractérisées. Puis les essais de viscosité et de récupération ont été adaptés pour prendre en compte l’absence de stabilité des gels. La fidélité de forme et les propriétés mécaniques des structures imprimées ont également été caractérisées en fonction du taux de cisaillement appliqué et les résultats corrélés avec les données rhéologiques. \nNous avons démontré qu'il était possible d'imprimer une structure avec une fidélité et une maniabilité adéquate; cependant, une concentration élevée de chitosan (3%p/v) est nécessaire, ce qui entraîne un taux de mortalité élevé des cellules, tandis que réduire la concentration à 2%p/v entraîne une très mauvaise fidélité de la forme. Nous avons surmonté ces limites en utilisant une approche basée sur la bio-impression FRESH (Freeform reversible embedding of suspended hydrogel). Un bain de support chaud a été conçu afin de soutenir les structures bioprintées et d'améliorer la thermoréticulation du chitosan pendant l'impression. Cette approche augmente drastiquement la fidélité et les propriétés mécaniques des structures imprimées avec une concentration de chitosane (2% p/v) adaptée à l'encapsulation de cellules. \nii \nEnfin, nous avons étudié l'impact du chargement de particules de bioverre osteoconducteurs dans ces hydrogels thermosensibles, en vue de leur utilisation pour la fabrication de tissus osseux minéralisés. Les propriétés mécaniques et la cytocompatibilité in vitro étant affectées de manière négative par l'ajout de bioglass, notre stratégie a consisté à concentrer le bioverre sous forme de microbilles, puis incorporer ces microbilles dans l'hydrogel à base de chitosan chargé de cellules. Cette nouvelle stratégie a permis d'améliorer considérablement les propriétés mécaniques et la viabilité des cellules. Cet hydrogel bioactif hybride n’est pas utilisable comme bioencre, mais il est injectable et pourrait être utilisé comme matrice injectable pour la régénération de défauts osseux. Cependant, il reste encore beaucoup d’optimisation à faire pour la bio-impression de tissus de gradient complexes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".