研究人员创建了一种人工智能（AI）模型，能够以比人类专家更快更精确的方式预测类器官的早期发展。这一创新有潜力提高类器官培养的效率并降低成本。
类器官是小型实验室培养的组织，复制了器官的功能和结构，为生物医学研究的进步铺平了道路。它们为个性化移植、对阿尔茨海默病和癌症等疾病的更好理解以及对药物如何影响身体的更准确见解提供了机会。
最近，日本九州大学和名古屋大学的科学家们引入了一种利用AI预测类器官在初始阶段的发展模型。这个模型提供的预测比经验丰富的研究人员做出的更加快速和精确，可能会简化类器官的培养过程并降低成本。
这项研究于2024年12月6日发表在生物通讯上，考察了下丘脑-垂体类器官的发展，这些类器官模仿垂体腺的功能，如产生促肾上腺皮质激素（ACTH）。ACTH在控制压力、代谢、血压和炎症方面起着关键作用，缺乏可能导致疲劳或厌食等严重问题。
名古屋大学医学院的副教授及该研究的通讯作者菅秀隆（Hidetaka Suga）表示：“我们在实验室对小鼠的实验表明，移植下丘脑-垂体类器官可能解决人类的ACTH缺乏问题。”
研究人员面临的主要障碍之一是验证类器官的正确发展。由于它们源自悬浮在液体介质中的干细胞，即使是轻微的环境变化也可能影响它们的生长和质量。
团队发现，在早期阶段广泛存在一种名为RAX的蛋白质表明正确的发展，通常会导致后来分泌高水平ACTH的类器官。
菅教授解释道：“我们可以通过基因修饰类器官使RAX蛋白发光来监测其发展。然而，意在临床应用的类器官，如移植，不能进行基因修饰以呈现荧光。这迫使我们的研究人员仅基于视觉观察来评估它们，这是一种缓慢且不可靠的方法。”
为了解决这个问题，菅教授与九州大学数据驱动创新计划的教授新冈宏彦（Hirohiko Niioka）合作，开发了用于此分析的深度学习模型。
新冈详细说明：“深度学习模型的功能类似于人脑，处理信息并识别模式以对大量数据集进行分类。”
名古屋研究小组在30天的发展后收集了带有荧光RAX蛋白的类器官的荧光和明场图像。他们将1500幅明场图像根据RAX表达分为三个质量级别：A（高质量）、B（中等质量）和C（低质量）。
新冈随后利用谷歌开发的两种图像识别模型，EfficientNetV2-S和Vision Transformer，来预测类器官的质量。他使用1200幅明场图像对这些模型进行了训练，每个类别400幅。
完成训练后，新冈将这两个深度学习模型合并为一个单一的集成模型，以提高性能。研究团队随后使用剩下的300幅图像（每个类别100幅）评估了这一优化后的集成模型，结果在基于明场图像的类器官分类准确率达到了70%。相比之下，经验丰富的研究人员在对同一图像进行分类时的准确率只有60%以下。
新冈强调：“深度学习模型在准确性、敏感性和速度上超过了专家的预测。”
下一阶段涉及测试集成模型是否能准确分类那些未进行基因修饰以显示荧光RAX蛋白的类器官的明场图像。
研究人员在30天发展后评估了未荧光的下丘脑-垂体类器官的明场图像的训练集成模型。通过染色技术，他们确认模型标记为A（高质量）的类器官确实在30天后展现了高水平的RAX。这些类器官后来也展示了显著的ACTH分泌。相反，标记为C（低质量）的类器官则表现出低水平的RAX，随后ACTH的产生也较低。
新冈表示：“因此，我们的模型可以仅根据早期发展阶段的可见特征可靠地预测类器官未来的质量。就我们所知，这是全球首次使用深度学习技术预测类器官发展轨迹。”
研究人员希望通过利用更大的数据集来提高其深度学习模型的准确性。然而，即使在当前的准确率下，该模型对于推动类器官研究仍然具有重大前景。
菅教授总结道：“我们可以快速有效地识别高质量的类器官用于移植和疾病建模，同时通过淘汰那些质量不佳的类器官来节省时间和成本。这是一次变革性的进展。”
