人工智能(AI)辅助的类器官的构建、分析和应用

本文来源于：单细胞学会

类器官（Organoids）是模拟器官结构和功能的微型且简化的体外模型系统，由于其在疾病建模、药物筛选、个性化医疗方面的前景，引起了人们广泛的兴趣。尽管在培养多种类器官方面取得了实质性成功，但组装的复杂性和数据分析的困难仍然是挑战。将人工智能（AI）引入到类器官研究的中，通过提供新的方法和解读角度，有可能加快类器官的开发和临床应用。

上海交通大学附属新华医院团队对AI辅助的类器官做了详细的报道，描述了AI辅助的类器官基本概念和机制，总结了其在构建体系的快速筛选、多维度图像特征的高性价比获取、多组学数据的简化分析和精确的临床前评估和应用方面的前瞻性研究。还探讨了将类器官与AI接口的挑战和限制，及未来发展方向。综上所述，运用AI的类器官极大推动了人类对器官发育和疾病进展的了解。

一、类器官历史
"类器官"一词于1907年提出。直到2009年，Hans Clevers教授及其团队培养了第一个肠道类器官，使得该领域得到了关注。

在过去十年中，人们不断进入重大的里程碑事件。2011年，肠道和视网膜类器官首次从干细胞中培养出来。随后，从人多能干细胞中发展出视网膜类器官。2013年，脑、肝、肾和胰腺类器官成功生长。2014年进入前列腺和肺类器官，2015年进入乳腺、输卵管和海马类器官。2020年，蛇毒腺类器官成功培养。

类器官历史

二、类器官应用
由于在结构和功能上对真实器官的高度精确模仿，类器官在理解人体组织和器官的复杂功能以及临床前疾病治疗方面具有巨大的潜力。它们的用途从高通量药物筛选到复杂的疾病建模，有些甚至达到了临床转化阶段。

类器官与免疫细胞共培养来模拟复杂的肿瘤微环境，从而促进了我们对癌症的理解。类器官还可以作为药物发现平台，评估新治疗药物的疗效和毒性。例如，肝类器官可用于研究药物的代谢，并为药物开发确定新的靶点。在再生医学领域，类器官提供了创造适合移植和其他治疗应用的功能组织的潜力。此外，它们有助于研究人类发育生物学，为各种疾病的潜在机制提供宝贵的见解。例如，脑类器官可用于研究人类大脑的发育和神经系统疾病的潜在机制。

类器官应用
类器官提供了前所未有的机会来促进人类对生物学和疾病的了解。然而可知，类器官是一个及其复杂的体系和过程，它受到从构建，到数据分析，到伦理和经济的一系列挑战的阻碍。人类需要系统地解决这些挑战，以释放类器官技术的全部潜力。

三、机器学习类型
人工智能（AI）起源于计算机科学，旨在模仿人类的认知功能，如视觉感知和决策。它是一个跨学科的领域，整合了计算机科学、数学和心理学等。

近年来的里程碑事件包括AlphaGo、AlphaFold和ChatGPT。此外，大数据的兴起使得在大量数据上训练人工智能算法成为可能，从而提高了各种任务的性能。今天，AI正在广泛的领域得到应用，其未来应用的潜力只受我们想象力的限制。

机器学习是AI的一个子集，它采用算法从数据中迭代学习，从而实现决策和预测的自动化。有三种常见的机器学习类型，用以解决不同的问题。
①监督学习：利用标记数据来训练预测任务的算法。常用的算法包括线性回归和逻辑回归，以及决策树。
②无监督学习：对未标记的数据进行操作，以发现内在模式。它通常用于聚类和降维，使用k-means和主成分分析等算法。
③强化学习：包括通过环境相互作用学习算法，旨在随着时间的推移最大化奖励。它通常应用于机器人和控制系统。
以及一些常用的机器学习模型，这些模型有其应用方向和强大之处。
①随机森林
②支持向量机(SVM)
③逻辑回归
④神经网络
⑤循环神经网络(RNNs)
⑥卷积神经网络(CNNs)
⑦图神经网络(GNNs)
⑧ Transformers

机器学习

四、AI在类器官系统用的应用
1、类器官构建体系的快速筛选：快速筛选构建体系，确定最佳实验设计和实施策略的有效工具。
2、多维度图像特征的高性价比获取：展现使我们能够从无数的观点和层次上解剖和理解类器官的结构和功能
3、对多组学数据的简化分析：有助于在基因表达、蛋白质组学和代谢组学等众多方面掌握类器官的复杂性
4、精确的临床前评估和应用：为预测人工智能在现实世界临床环境中的表现和影响提供了关键的解读。

AI辅助的类器官

五、筛选最佳的实验体系
机器学习算法可以通过分析大量数据，确定最有效的方法，包括基质凝胶的类型，识别基质凝胶的空间结构，微调细胞培养条件，识别活性诱导因素，评估外部刺激。这些都可能是类器官形成的关键因素。

实验体系筛选的机器学习

六、高通量多维度的图像展示
如前所述，基质凝胶材料的参与是构建类器官的必要条件，这些材料的形态分析对其生物性能至关重要。传统的方法通常需要人工识别和处理，这可能容易出错，效率低下，而且很主观，因此，需要引入AI。可从这几个生物学维度进行机器学习训练：形态学尺度图像分析、细胞尺度图像分析、类器官尺度的图像分析、组织尺度的图像分析。

形态学和细胞尺度分析的机器学习
 

类器官尺度分析的机器学习

组织尺度分析的机器学习

七、类器官的AI多组学数据分析
类器官研究的另一个挑战是在评估过程中分析高通量多组学数据。多组学数据的分析，包括基因组学、转录组学、表观基因组学、蛋白质组学和单细胞组学，由于数据量大且复杂，是一项较为艰巨的任务。为此，有团队推出UniedNet，这是一个可解释的多任务深度神经网络，旨在合并各种任务，以评估单细胞多模态数据。最近的另一篇文章介绍了devCellPy，这是一种机器学习支持的工作流程，用于自动标记复杂的多层单细胞转录组数据，有助于在复杂的层次结构中自动识别细胞类型。

多组学数据分析的机器学习

八、AI类器官的精准临床前评估与应用
AI还可用于类器官研究的临床前评估和应用阶段。预测模型和优化算法可用于评估类器官干预发展的机制，筛选潜在药物，构建体外疾病模型，提高该阶段的效率和效果，对于弥合基础研究和临床应用之间的差距至关重要。具体应用涵盖发育生物学、生物样本库、药物筛选、疾病模型。

机器学习促进精准的类器官临床前评估和应用
类器官的成功构建和稳定培养至关重要。AI技术，特别是机器学习算法，为优化类器官结构和培养方法提供了广阔前景。具体来说，AI可以优化具有最佳性能的基质凝胶设计，通过图像分析实现质量控制自动化，并动态监测培养条件。它还可以分析高通量组学数据，反馈各种功能信息和结构参数。AI帮助构建更有效和更高质量的类器官，从而加速从实验室研究到临床应用的过渡。但为了充分实现AI辅助的类器官的巨大潜力，仍需要克服很多重大的挑战和限制。