Abordando los desafíos para la implementación de membranas de fibra hueca en modelos dinámicos in vitro de la barrera hematoencefálica

Abstract

La creciente incidencia de enfermedades neurodegenerativas representa un desafío para el sistema sanitario, destacando la necesidad urgente de terapias capaces de atravesar la barrera hematoencefálica (BHE). Los modelos in vitro actuales no logran replicar adecuadamente la complejidad de la BHE, lo que conduce a altas tasas de fracaso en el desarrollo de fármacos. Aunque los modelos dinámicos in vitro (DIV)-BHE ofrecen numerosas ventajas, su desarrollo comercial sigue siendo limitado. Esta tesis aborda retos clave para la implementación de membranas de fibra hueca en modelos DIV-BHE, centrándose en: i) un análisis crítico de sus limitaciones, ii) la inducción de la diferenciación celular mediante nanomateriales basados en grafeno, iii) la transición hacia estructuras 3D innovadoras a través de la síntesis de fibras huecas funcionalizadas de doble capa, y iv) el desarrollo de cocultivos dinámicos en biorreactores de perfusión. Estos avances abren nuevas vías hacia la validación de modelos DIV-BHE más fiables y eficientes.

The rising incidence of neurodegenerative diseases presents a major challenge to healthcare, highlighting the urgent need for therapies that can cross the blood-brain barrier (BBB). Current in vitro models fail to replicate the BBB complexity, leading to high failure rates in drug development. Despite dynamic in vitro (DIV)-BBB models show great potential, their commercial development remains limited. This thesis addresses key challenges towards the implementation of hollow fiber (HF) membranes in DIV-BBB models, by focusing on: i) a SWOT analysis of their limitations, ii) the induction of cell differentiation using graphene-based nanomaterials (GBNs), iii) the transition to innovative 3D structures through the synthesis of double-layered functionalized HFs, and iv) the development of dynamic cocultures in perfusion bioreactors. These advances pave the way for more reliable and efficient DIV-BBB models.