《Bioact. Mater.》综述：AI与生物3D打印

摘要：近几十年来，生物3D打印因其能够操纵生物材料和细胞以精确创建复杂结构的能力而引起了广泛的研究关注。然而，由于技术和成本限制，生物3D打印产品(BPP)从实验室到临床的临床转化受到设计个性化和生产规模扩大方面的挑战的阻碍。

仅供医学专业人士阅读参考

近几十年来，生物3D打印因其能够操纵生物材料和细胞以精确创建复杂结构的能力而引起了广泛的研究关注。然而，由于技术和成本限制，生物3D打印产品(BPP)从实验室到临床的临床转化受到设计个性化和生产规模扩大方面的挑战的阻碍。

最近，人工智能(AI)技术的新兴应用显著提高了生物打印的性能。然而，现有文献在方法论探索AI技术克服这些挑战以推动生物3D打印走向临床应用的潜力方面仍然不足。为此，来自清华大学的熊卓/方永聪/张婷课题组以质量源于设计(QbD)的理论框架为框架，提出了一种用于AI驱动的生物打印。QbD（Quality by Design）是一种质量控制体系，强调通过事前设计控制质量，被广泛用于制药业。其核心概念主要包括关键质量属性（CQA）、关键物料属性（CMA）、关键工艺参数（CPP）、设计空间（DS）、控制策略（CS）、风险评估（RA）。相关研究成果以“AI-driven 3D bioprinting for regenerative medicine: From bench to bedside”为题于2024年11月23日发表在《BioaCTive Materials》上。

图1 人工智能驱动的3D生物打印QbD路线图，包含多尺度和多模态感知、数据驱动设计和在线过程控制，可用于生物墨水形成、模型结构、打印过程和功能调控四个关键要素

本文首先将QbD理论引入生物打印，然后总结AI在3D打印中的集成技术路线图，包括多尺度和多模态传感、数据驱动设计和在线过程控制。本文进一步阐述了人工智能在3D生物打印关键环节的具体应用，包括生物墨水配方、模型结构、打印过程和功能调控。最后，讨论了人工智能技术在进一步推进3D生物打印临床转化方面的当前前景和挑战。

1.AI驱动的生物3D打印QbD框架和路线图

生物3D打印包括四个关键要素：生物墨水配方、模型结构、打印过程和功能调控。每个要素由多个单元操作（UO）组成，其中可以集成AI驱动的QdD，例如生物墨水材料设计、微结构设计、打印过程控制以及功能表征和评估（图1）。

在生物打印中，每个UO集成各种传感器来捕获多模态数据，从而有助于获取对个性化设计和扩大生产至关重要的多尺度信息。感测过程通常包含三个连续阶段：（i）预感测，涉及对感测对象的预处理，例如组织切片制备和染色；（ii）感测，涉及利用各种传感器测量感测对象的特定属性并生成相应的传感器数据；以及（iii）后感测，涉及处理和分析收集到的传感器数据以得出定量感测结果，包括CQA，CMA和CPP。传统感测方法在精度，快速性，经济性，可重复性，安全性和可扩展性方面存在不足，从而阻碍了BPP的临床转化。作者将这些不足主要归因于以下三个关键因素：（1）“规模-深度-精度”矛盾（图2a）；（2）信息丰富度不足；（3）自动化程度低。人工智能技术，尤其是深度学习方法，为上述挑战提供了可行的解决方案。因此，在生物打印过程中，人工智能驱动的传感产生了全面的结果，涵盖了打印结构的设计和制造以及生化和形态功能等方面（图2b）。

图2 多尺度和多模式感知

随着模型精度（或问题复杂性）的提高，相关成本（如财务投入、时间和人力资源）也相应增加，而边际精度则逐渐降低（图3a）。目前，已经出现了四种建模范式，包括实验设计 (DoE)、理论、计算和数据驱动范式(图3a)。鉴于挑战的复杂性和成本限制，传统范式面临瓶颈，正在向基于机器学习(ML)的数据驱动范式过渡。基于ML的数据驱动范式通常采用监督学习方法，可以简洁地定义为在输入指纹和输出属性之间构建可泛化的映射模型（图3b）。它主要包括三个关键步骤：指纹识别、训练、预测。

图3 数据驱动设计

作者提出了一种基于人工智能的通用在线过程控制流水线（图4a）。为了将CQA保持在高水平，通过多个传感器现场监测CQA、CMA和CPP，并根据合理的控制策略在线校正 CMA/CPP。同时确定了涉及上述过程的四大类人工智能模型：（i）CMA/CPP设计模型；（ii）CMA/CPP预测模型；（iii）CQA/过程预测模型；（iv）控制策略。

在设计阶段，离线数字孪生模型能够在数字世界中快速执行大量虚拟实验。因此，CMA/CPP的设计和优化可以通过更少的实际实验完成，从而降低成本和风险。在生产阶段，在线数字孪生模型通过监控数据和控制命令与实际生产过程相联系，旨在提高生产效率和质量（图4b）。通过在数字世界中模拟过程演变并预测其结果，可以加深对过程的全面理解，从而促进过程的持续改进。

图4 在线过程控制

2.人工智能驱动的生物墨水配方方法

生物墨水作为生物3D打印的主要元素，是保证BPP免疫、组织和功能特异性的重要基础。生物墨水通常包含细胞和生物材料。AI技术可以应用于这些过程中的每个UO，以加速BPP个性化生物墨水的设计和生产（图5a）。

基于人工智能的虚拟染色技术提供了一种解决方案，可以对采样细胞进行无损、快速的表征。该技术已应用于各种器官，如肝脏、肾脏、胃和肺。监督学习（使用配对图像进行训练）或无监督学习方法（使用非配对图像进行训练）可以实现两类任务：（i）从未染色样本的原始图像生成染色图像，从而避免耗费细胞的染色程序；（ii）从基本染色图像生成多样而复杂的染色图像，从而通过单一染色过程表征多种特性（图5）。

图5 人工智能驱动的生物墨水配方方法

3.人工智能驱动的模型结构方法

在确定生物墨水配方后，另一个关键要素是打印模型结构的设计。由于BPP的组织、结构和功能特异性，打印模型的结构需要个性化设计以满足性能要求。设计打印模型的典型过程包括以下步骤：首先，使用CT和MRI等成像方式获取患者目标器官/组织的医学图像；其次，基于这些医学图像进行3D建模以生成宏观结构模型；最后，设计内部微观结构。AI技术可以应用于这些过程中的每个UO，以加快具有个性化结构的打印模型的精确设计（图6）。

图6 人工智能驱动的模型结构方法

4.人工智能驱动的印刷过程方法

在获得打印模型后，打印工艺要素需要在确保细胞活力的同时精确制造设计的多尺度结构。为了提高打印质量，应在正式打印过程之前离线设计最佳打印参数；随后，在正式打印过程中，需要实时调整打印参数以保持对打印质量的控制。作者将相应的案例展示在图7中。

图7 人工智能驱动的印刷流程方法

5.人工智能驱动的功能调节方法

完成高质量结构的打印后，最后一个要素是对打印结构的功能调控。首先，成熟条件的设计对于功能化打印结构至关重要，从而将其转化为具有所需生物功能的BPP。随后，对于功能化的体外模型和体内植入物，使用非破坏性检测方法表征和评估其生物功能，以促进药物筛选、病理/药理学研究和临床功能评估等应用。同时，作者给出了相应示例展示在图8中。

图8 人工智能驱动的功能调节方法

最后，作者指出了生物3D打印中AI技术的未来方向，包括构建自然器官的流程；闭环主动学习流程以及蛮力学习、主动学习和混合学习的“精度成本”图景。

图9 生物打印中AI技术的未来方向

展望未来，人工智能与自动化的整合有望超越离散的UO，涵盖整个流程（图10）。基于人工智能的系统设计方法将统一各种对象的设计，包括生物墨水、打印模型、打印参数和成熟条件。这种集成方法将有效地考虑它们对不同属性的相互依赖影响。此外，基于人工智能的智能工厂的建立，将通过工业云、数字孪生等先进技术，实现对物质流和信息流的高效管理，实现临床诊断、原材料制备、模型设计、3D打印制造、疗效评估等全生命周期质量管理。