UMD unisce IA e bioprinting 3D per accelerare l’ottimizzazione dei bioink e ottenere costrutti più robusti
Visione e contesto del progetto
Alla A. James Clark School of Engineering dell’University of Maryland (UMD), il Fischell Department of Bioengineering guidato da John P. Fisher sta sviluppando un flusso di lavoro che combina algoritmi di intelligenza artificiale con biostampa 3D per ridurre i tempi di messa a punto dei bioink e aumentare l’affidabilità meccanica dei modelli tissutali. La strategia è stata presentata pubblicamente a metà ottobre 2025 attraverso comunicazioni istituzionali e un video divulgativo.
Che cosa cambia nella pratica: dalla formulazione al processo
Il team usa modelli di machine learning per esplorare in modo sistematico ricette e parametri di processo: viscosità e composizione polimerica del bioink, concentrazione cellulare, temperatura dell’ugello, velocità di estrusione e condizioni di reticolazione (ionica/UV). L’obiettivo è massimizzare vitalità cellulare, continuità del filamento, porosità controllata e adesione tra strati, riducendo i cicli sperimentali necessari alla “giusta” finestra di stampa.
Monitoraggio in linea e controllo a ciclo chiuso
Oltre all’ottimizzazione “a monte”, UMD integra visione e sensori durante la deposizione per stimare in quasi-tempo reale larghezza del tratto, rugosità e accuratezza dimensionale, passo fondamentale verso un controllo a ciclo chiuso che compensi le derive prima che compromettano l’integrità del costrutto. Questo approccio è in linea con le direzioni emergenti della letteratura su AI per monitoraggio e controllo della biostampa.
Dalla forma alla funzione: CAD, simulazioni e test meccanici
Il gruppo collega geometrie CAD a strumenti di ottimizzazione topologica per dimensionare spessori, permeabilità al trasporto di nutrienti e pattern interni, tenendo conto dei modelli viscoelastici degli idrogel. La validazione comprende prove di compressione/creep, saggi Live/Dead e protocolli di coltura prolungata per valutare maturazione funzionale e degradazione.
Perché ora: basi scientifiche e trend della ricerca
Negli ultimi anni le review tecniche hanno documentato come l’IA possa ridurre i passaggi iterativi nella formulazione dei bioink e migliorare la rilevazione degli errori di stampa, collegando proprietà reologiche (moduli G’/G”, shear-thinning, soglia di snervamento) alla stampabilità. Studi applicativi hanno inoltre mostrato schemi di ottimizzazione multi-risposta su bioink a base di alginato/gelatina/laponite e casi di formulazioni assistite da ML.
Chi guida e l’ecosistema UMD
Il progetto è coordinato da John P. Fisher, Distinguished University Professor e Chair di Bioengineering, con il supporto dei laboratori del dipartimento e delle iniziative collegate (ad es. Center for Engineering Complex Tissues). L’ecosistema UMD copre biomateriali, cellule staminali, bioreattori e bioprinting, creando il contesto per portare l’IA dal banco di laboratorio a flussi di lavoro clinicamente rilevanti.
Implicazioni: progettare, documentare, trasferire
Accorciare le iterazioni di design, strutturare dataset di processo e integrare misure/controllo in linea può agevolare documentazione e percorsi regolatori, oltre a migliorare riproducibilità e scalabilità dei modelli tissutali per test preclinici e, in prospettiva, applicazioni terapeutiche. Le comunicazioni UMD di ottobre 2025 collocano esplicitamente questa ricerca nella traiettoria verso costrutti paziente-specifici senza dipendenza da tessuti di donatore
