Design and characterization of bioceramic scaffolds for bone tissue engineering

Bone is a self-healing tissue, exhibiting remarkable regenerative abilities; however, pathologies, trauma, or congenital diseases can impair its natural healing capacity. While autologous grafts are considered the gold standard for bone defect treatment, limitations and complications related to their availability necessitate alternative solutions. The manufacturing of scaffolds with selected materials and microstructures can be an effective solution. Material properties and architectural features are indeed crucial in scaffold design and must be provided based on an informed design process that integrates inputs from biology, bioengineering, materials science, and manufacturing technology. Among materials, ceramics exhibit a good affinity with native tissue, creating a strong bond between the scaffold and the tissue. However, the intrinsic brittleness of ceramics presents a significant drawback, since the failure of a ceramic scaffolds is immediate and catastrophic. To enable the clinical application of ceramic scaffolds, both the material properties and architectural behaviour must be well-understood. In this context, two materials have been characterized: hydroxyapatite and an experimental formulation of a bioactive glass-ceramic. A combined approach of different experimental techniques has been used to assess the morphology and the mechanical performances of these two materials. In particular, computed micro-tomography (microCT) and confocal laser microscopy have been used to assess the morphological features of the materials, whereas nanoindentation and microbending to assess the stiffness and the strength of the material. The mechanical properties of the aforementioned materials have been used to feed finite element models of 3D printed scaffolds. It is worth to mention that finite element models have been implemented starting from microCT images, as defects occurring during the manufacturing process may affect the morphology of the designed geometry. In fact, finite element models have demonstrated that the effect of imperfections on elastic and strength properties may be substantial, depending on the specific type of defect identified in the scaffolds. Furthermore, it has been found that three morphometric features substantially affect the crack pattern. In particular, the crack propagation is not only dependent on the trabecular thickness but also depends on the slenderness and orientation of the trabeculae with respect to the load. Since the design of the architecture plays a paramount role in the mechanical performances of scaffolds, a machine learning approach has been used to generate new architectures starting from prescribed properties and features. In particular, thousands of designs based on Triply-periodic Minimal Function (TPMS) have been automatically generated and tested in silico, to create a dataset containing morphologic and mechanical properties of each scaffold. The dataset has been used for the training of the machine learning models. In the end, the latter have been used to produce geometries starting from desired values of effective stiffness, effective strength, wall thickness, pore spacing and degree of anisotropy. Indeed, all these features have to be matched since they represent the mechanical performances, the biologic response and the manufacturability of the scaffolds. Finally, taking inspiration from the ossicles of knobby starfish, some geometries have been modified to improve the toughness of the structure. Indeed, by improving the effective toughness of the structure, has been demonstrated that the failure of the scaffold is more graceful. In particular to obtain such improvement, a one-dimensional defect in the form of a single edge dislocation has been introduced in a regular lattice. Fracture simulations disclosed that the angle formed between the applied load and the dislocation played a pivotal role in the initiation and propagation of cracks. As future perspectives, the scaffolds generated by machine learning as well as the scaffolds modified by the edge dislocations will be 3D printed in order to validate the finite element models.

L'osso è un tessuto che mostra notevoli capacità rigenerative; tuttavia, patologie, traumi o malattie congenite possono compromettere la sua naturale capacità di guarigione. Sebbene gli innesti autologhi siano considerati il gold standard per il trattamento dei difetti ossei, le limitazioni sulla quantità di tessuto e le complicazioni legate alla loro disponibilità rendono necessarie soluzioni alternative. La produzione di scaffold con materiali microstrutturati può essere una soluzione efficace. Le proprietà dei materiali e le caratteristiche geometriche sono infatti cruciali nella progettazione degli scaffold e devono essere fornite sulla base di un processo di progettazione informato che integri gli input provenienti dalla biologia, dalla bioingegneria, dalla scienza dei materiali e dalla tecnologia di produzione. Tra i materiali, I ceramic presentano una buona affinità con il tessuto nativo, creando un forte legame tra lo scaffold e il tessuto. Tuttavia, la fragilità intrinseca dei ceramici rappresenta uno svantaggio significativo, poiché il cedimento di uno scaffold in ceramico è immediato e catastrofico. Per consentire l'applicazione clinica degli scaffold ceramici, è necessario comprendere bene sia le proprietà del materiale che il comportamento microstrutturale. In questo contesto, sono stati caratterizzati due materiali: l'idrossiapatite e una formulazione sperimentale di un vetroceramico bioattivo. Per valutare la morfologia e le prestazioni meccaniche di questi due materiali è stato utilizzato un approccio combinato di diverse tecniche sperimentali. In particolare, la microtomografia computerizzata (microCT) e la microscopia laser confocale sono state utilizzate per valutare le caratteristiche morfologiche dei materiali, mentre la nanoindentazione e la microflessione per valutare la rigidezza e la resistenza del materiale. Le proprietà meccaniche dei suddetti materiali sono state utilizzate per implementare dei modelli agli elementi finiti degli scaffold stampati in 3D. Tali modelli sono stati implementati a partire da immagini microCT, poiché i difetti che si verificano durante il processo di fabbricazione possono influenzare la morfologia della geometria progettata. Infatti, i modelli agli elementi finiti hanno dimostrato che l'effetto delle imperfezioni sulle proprietà elastiche e di resistenza può essere sostanziale, a seconda del tipo specifico di difetto individuato negli scaffold. Inoltre, è stato riscontrato che tre caratteristiche morfometriche influenzano in modo sostanziale l'andamento delle cricche. In particolare, la propagazione della cricca non dipende solo dallo spessore delle trabecole, ma anche dalla snellezza e dall'orientamento delle trabecole rispetto al carico. Poiché la progettazione dell'architettura gioca un ruolo fondamentale nelle prestazioni meccaniche degli scaffold, è stato utilizzato un approccio di machine learning per generare nuove architetture a partire da proprietà e caratteristiche prescritte. In particolare, migliaia di microstrutture basate su geoemtrie tripli periodiche (TPMS) sono state generate automaticamente e testate in silico, per creare un dataset contenente le proprietà morfologiche e meccaniche di ogni scaffold. Il dataset è stato utilizzato per l'addestramento dei modelli di machine learning. Infine, questi ultimi sono stati utilizzati per produrre geometrie a partire dai valori desiderati di rigidezza efficace, resistenza efficace, spessore delle pareti, spaziatura dei pori e grado di anisotropia. Infatti, tutte queste caratteristiche devono essere verificate contemporaneamente in quanto rappresentano le prestazioni meccaniche, la risposta biologica e la producibilità degli scaffold. Infine, ispirandosi allo scheletro delle stelle marine, alcune geometrie sono state modificate per migliorare la tenacità della struttura. Infatti, migliorando la tenacità effettiva della struttura, è stato dimostrato che il cedimento dello scaffold è meno instantaneo. In particolare, per ottenere tale miglioramento, è stato introdotto un difetto unidimensionale sotto forma di una dislocazione a spigolo in un reticolo regolare. Le simulazioni di frattura hanno rivelato che l'angolo formato tra il carico applicato e la dislocazione gioca un ruolo fondamentale nell'innesco e nella propagazione delle cricche. Come sviluppi futuri, gli scaffold generati dal machine learning e quelli modificati dalle dislocazioni a spigolo saranno stampati in 3D per validare i modelli agli elementi finiti.