Data modeling for bioprinting process optimization and qualification

Bioprinting is an emerging technology at the intersection of additive manufacturing and life sciences, with the potential to revolutionize applications in medicine, tissue engineering, and even alternative protein production. The increasing demand for precise, reproducible, and scalable biofabrication has driven research towards enhanced process modeling and optimization strategies. However, bioprinting remains a complex and resource-intensive process, requiring extensive experimentation to explore and refine process parameters. The inherent variability of biological materials and the constraints of in-vitro fabrication further complicate efforts to ensure printability and quality consistency. This research addresses these challenges by developing data-driven methodologies for bioprinting process optimization and resource-efficient modeling, structured around two core contributions: printability maps and transfer learning for bioprinting modeling. The first part of the work introduces a novel probabilistic framework to define printability maps, providing a systematic approach for evaluating print success within a given process parameter window. These maps, derived from a limited set of experimental observations, offer a quantitative means to assess printability while integrating uncertainty considerations. By leveraging in-situ quality data, they serve as a practical tool for guiding parameter selection, optimizing both process reliability and material efficiency. Although the method is developed for extrusion-based bioprinting, it is designed to be broadly applicable across different bioprinting techniques and quality assessment criteria. The second part of the research explores the application of transfer learning (TL) in bioprinting, aiming to minimize experimental effort while improving predictive modeling of printability and process outcomes. TL is employed to transfer knowledge from a well-characterized material to a new, less-documented one, reducing the need for extensive new experimental campaigns. The study compares the accuracy of TL-based models against traditional no-transfer approaches, demonstrating that TL can effectively bridge knowledge gaps and accelerate process understanding. A sensitivity analysis further evaluates the impact of reducing training data, providing insights into the balance between model accuracy and experimental effort reduction. By combining probabilistic printability maps and transfer learning, this research advances the efficiency, adaptability, and predictive capabilities of bioprinting process modeling, paving the way for more reliable and scalable biofabrication solutions.

Il 3D bioprinting, o biostampa, è una tecnologia emergente al crocevia tra la manifattura additiva e le scienze della vita, con il potenziale di rivoluzionare applicazioni in medicina, ingegneria tissutale e persino nella produzione di proteine alternative. La crescente domanda di biofabbricazione precisa, riproducibile e scalabile ha stimolato la ricerca verso strategie avanzate di modellazione e ottimizzazione dei processi. Tuttavia, il bioprinting rimane un processo complesso e ad alta intensità di risorse, che richiede un'ampia sperimentazione per esplorare e affinare i parametri di processo. L'intrinseca variabilità dei materiali biologici e i vincoli della fabbricazione in vitro complicano ulteriormente gli sforzi per garantire la stampabilità e la coerenza della qualità. Questa ricerca affronta tali sfide sviluppando metodologie basate sui dati per l'ottimizzazione del bioprinting e la modellazione efficiente in termini di risorse, articolate intorno a due contributi principali: mappe di stampabilità e transfer learning per la modellazione del bioprinting. La prima parte del lavoro introduce un nuovo framework probabilistico per definire le mappe di stampabilità, fornendo un approccio sistematico per valutare il successo della stampa all'interno di una specifica finestra di parametri di processo. Queste mappe, derivate da un set limitato di osservazioni sperimentali, offrono un mezzo quantitativo per valutare la stampabilità integrando al contempo le incertezze associate. Sfruttando i dati qualitativi raccolti in-situ, le mappe rappresentano uno strumento pratico per guidare la selezione dei parametri, ottimizzando sia l'affidabilità del processo che l'efficienza nell'uso dei materiali. Sebbene il metodo sia sviluppato per il bioprinting a estrusione, è concepito per essere applicabile a diverse tecniche di bioprinting e a vari criteri di valutazione della qualità. La seconda parte della ricerca esplora l'applicazione del transfer learning (TL) nel bioprinting, con l'obiettivo di ridurre l’impegno sperimentale e migliorare la modellazione predittiva della stampabilità e dei risultati di processo. Il TL viene impiegato per trasferire conoscenze da un materiale ben caratterizzato a uno nuovo, meno documentato, riducendo la necessità di estese campagne sperimentali. Lo studio confronta l'accuratezza dei modelli basati su TL con approcci tradizionali senza trasferimento, dimostrando come il TL possa colmare efficacemente le lacune conoscitive e accelerare la comprensione dei processi. Inoltre, un'analisi di sensibilità valuta l'impatto della riduzione dei dati sperimentali di addestramento, fornendo indicazioni sul bilanciamento tra accuratezza del modello e riduzione dello sforzo sperimentale. Combinando mappe di stampabilità probabilistiche e transfer learning, questa ricerca contribuisce a migliorare l'efficienza, l'adattabilità e le capacità predittive della modellazione dei processi di bioprinting, aprendo la strada a soluzioni di biofabbricazione più affidabili e scalabili.