人工智能(AI)輔助的類器官的構建、分析和應用

本文來源于：單細胞學會

類器官（Organoids）是模擬器官結(jié)構和功能的微型且簡化的體外模型系統(tǒng)，由于其在疾病建模、藥物篩選、個性化醫(yī)療方面的前景，引起了人們廣泛的興趣。盡管在培養(yǎng)多種類器官方面取得了實質(zhì)性成功，但組裝的復雜性和數(shù)據(jù)分析的困難仍然是挑戰(zhàn)。將人工智能（AI）引入到類器官研究的中，通過提供新的方法和解讀角度，有可能加快類器官的開發(fā)和臨床應用。

上海交通大學附屬新華醫(yī)院團隊對AI輔助的類器官做了詳細的報道，描述了AI輔助的類器官基本概念和機制，總結(jié)了其在構建體系的快速篩選、多維度圖像特征的高性價比獲取、多組學數(shù)據(jù)的簡化分析和精確的臨床前評估和應用方面的前瞻性研究。還探討了將類器官與AI接口的挑戰(zhàn)和限制，及未來發(fā)展方向。綜上所述，運用AI的類器官極大推動了人類對器官發(fā)育和疾病進展的了解。

一、類器官歷史
"類器官"一詞于1907年提出。直到2009年，Hans Clevers教授及其團隊培養(yǎng)了第一個腸道類器官，使得該領域得到了關注。

在過去十年中，人們不斷進入重大的里程碑事件。2011年，腸道和視網(wǎng)膜類器官首次從干細胞中培養(yǎng)出來。隨后，從人多能干細胞中發(fā)展出視網(wǎng)膜類器官。2013年，腦、肝、腎和胰腺類器官成功生長。2014年進入前列腺和肺類器官，2015年進入乳腺、輸卵管和海馬類器官。2020年，蛇毒腺類器官成功培養(yǎng)。

類器官歷史

二、類器官應用
由于在結(jié)構和功能上對真實器官的高度精確模仿，類器官在理解人體組織和器官的復雜功能以及臨床前疾病治療方面具有巨大的潛力。它們的用途從高通量藥物篩選到復雜的疾病建模，有些甚至達到了臨床轉(zhuǎn)化階段。

類器官與免疫細胞共培養(yǎng)來模擬復雜的腫瘤微環(huán)境，從而促進了我們對癌癥的理解。類器官還可以作為藥物發(fā)現(xiàn)平臺，評估新治療藥物的療效和毒性。例如，肝類器官可用于研究藥物的代謝，并為藥物開發(fā)確定新的靶點。在再生醫(yī)學領域，類器官提供了創(chuàng)造適合移植和其他治療應用的功能組織的潛力。此外，它們有助于研究人類發(fā)育生物學，為各種疾病的潛在機制提供寶貴的見解。例如，腦類器官可用于研究人類大腦的發(fā)育和神經(jīng)系統(tǒng)疾病的潛在機制。

類器官應用
類器官提供了前所未有的機會來促進人類對生物學和疾病的了解。然而可知，類器官是一個及其復雜的體系和過程，它受到從構建，到數(shù)據(jù)分析，到倫理和經(jīng)濟的一系列挑戰(zhàn)的阻礙。人類需要系統(tǒng)地解決這些挑戰(zhàn)，以釋放類器官技術的全部潛力。

三、機器學習類型
人工智能（AI）起源于計算機科學，旨在模仿人類的認知功能，如視覺感知和決策。它是一個跨學科的領域，整合了計算機科學、數(shù)學和心理學等。

近年來的里程碑事件包括AlphaGo、AlphaFold和ChatGPT。此外，大數(shù)據(jù)的興起使得在大量數(shù)據(jù)上訓練人工智能算法成為可能，從而提高了各種任務的性能。今天，AI正在廣泛的領域得到應用，其未來應用的潛力只受我們想象力的限制。

機器學習是AI的一個子集，它采用算法從數(shù)據(jù)中迭代學習，從而實現(xiàn)決策和預測的自動化。有三種常見的機器學習類型，用以解決不同的問題。
①監(jiān)督學習：利用標記數(shù)據(jù)來訓練預測任務的算法。常用的算法包括線性回歸和邏輯回歸，以及決策樹。
②無監(jiān)督學習：對未標記的數(shù)據(jù)進行操作，以發(fā)現(xiàn)內(nèi)在模式。它通常用于聚類和降維，使用k-means和主成分分析等算法。
③強化學習：包括通過環(huán)境相互作用學習算法，旨在隨著時間的推移最大化獎勵。它通常應用于機器人和控制系統(tǒng)。
以及一些常用的機器學習模型，這些模型有其應用方向和強大之處。
①隨機森林
②支持向量機(SVM)
③邏輯回歸
④神經(jīng)網(wǎng)絡
⑤循環(huán)神經(jīng)網(wǎng)絡(RNNs)
⑥卷積神經(jīng)網(wǎng)絡(CNNs)
⑦圖神經(jīng)網(wǎng)絡(GNNs)
⑧ Transformers

機器學習

四、AI在類器官系統(tǒng)用的應用
1、類器官構建體系的快速篩選：快速篩選構建體系，確定最佳實驗設計和實施策略的有效工具。
2、多維度圖像特征的高性價比獲�。赫宫F(xiàn)使我們能夠從無數(shù)的觀點和層次上解剖和理解類器官的結(jié)構和功能
3、對多組學數(shù)據(jù)的簡化分析：有助于在基因表達、蛋白質(zhì)組學和代謝組學等眾多方面掌握類器官的復雜性
4、精確的臨床前評估和應用：為預測人工智能在現(xiàn)實世界臨床環(huán)境中的表現(xiàn)和影響提供了關鍵的解讀。

AI輔助的類器官

五、篩選最佳的實驗體系
機器學習算法可以通過分析大量數(shù)據(jù)，確定最有效的方法，包括基質(zhì)凝膠的類型，識別基質(zhì)凝膠的空間結(jié)構，微調(diào)細胞培養(yǎng)條件，識別活性誘導因素，評估外部刺激。這些都可能是類器官形成的關鍵因素。

實驗體系篩選的機器學習

六、高通量多維度的圖像展示
如前所述，基質(zhì)凝膠材料的參與是構建類器官的必要條件，這些材料的形態(tài)分析對其生物性能至關重要。傳統(tǒng)的方法通常需要人工識別和處理，這可能容易出錯，效率低下，而且很主觀，因此，需要引入AI�？蓮倪@幾個生物學維度進行機器學習訓練：形態(tài)學尺度圖像分析、細胞尺度圖像分析、類器官尺度的圖像分析、組織尺度的圖像分析。

形態(tài)學和細胞尺度分析的機器學習
 

類器官尺度分析的機器學習

組織尺度分析的機器學習

七、類器官的AI多組學數(shù)據(jù)分析
類器官研究的另一個挑戰(zhàn)是在評估過程中分析高通量多組學數(shù)據(jù)。多組學數(shù)據(jù)的分析，包括基因組學、轉(zhuǎn)錄組學、表觀基因組學、蛋白質(zhì)組學和單細胞組學，由于數(shù)據(jù)量大且復雜，是一項較為艱巨的任務。為此，有團隊推出UniedNet，這是一個可解釋的多任務深度神經(jīng)網(wǎng)絡，旨在合并各種任務，以評估單細胞多模態(tài)數(shù)據(jù)。最近的另一篇文章介紹了devCellPy，這是一種機器學習支持的工作流程，用于自動標記復雜的多層單細胞轉(zhuǎn)錄組數(shù)據(jù)，有助于在復雜的層次結(jié)構中自動識別細胞類型。

多組學數(shù)據(jù)分析的機器學習

八、AI類器官的精準臨床前評估與應用
AI還可用于類器官研究的臨床前評估和應用階段。預測模型和優(yōu)化算法可用于評估類器官干預發(fā)展的機制，篩選潛在藥物，構建體外疾病模型，提高該階段的效率和效果，對于彌合基礎研究和臨床應用之間的差距至關重要。具體應用涵蓋發(fā)育生物學、生物樣本庫、藥物篩選、疾病模型。

機器學習促進精準的類器官臨床前評估和應用
類器官的成功構建和穩(wěn)定培養(yǎng)至關重要。AI技術，特別是機器學習算法，為優(yōu)化類器官結(jié)構和培養(yǎng)方法提供了廣闊前景。具體來說，AI可以優(yōu)化具有最佳性能的基質(zhì)凝膠設計，通過圖像分析實現(xiàn)質(zhì)量控制自動化，并動態(tài)監(jiān)測培養(yǎng)條件。它還可以分析高通量組學數(shù)據(jù)，反饋各種功能信息和結(jié)構參數(shù)。AI幫助構建更有效和更高質(zhì)量的類器官，從而加速從實驗室研究到臨床應用的過渡。但為了充分實現(xiàn)AI輔助的類器官的巨大潛力，仍需要克服很多重大的挑戰(zhàn)和限制。