日本研究人员开发了一种深度学习AI模型，用于预测类器官早期发育的质量，准确率达到70%，超过专家的不到60%。该模型无需基因改造即可分类类器官，简化了移植和疾病建模的选择过程。这不仅降低了成本，还提高了基于类器官的再生医学的效率。
类器官是一种微型实验室培养的组织，可以模拟器官的功能和结构，正在改变生物医学研究。它们有望在个性化移植、改进阿尔茨海默病和癌症等疾病的建模以及更精确地了解药物效果方面取得突破。现在，来自九州大学和名古屋大学的研究人员开发了一种利用人工智能（AI）预测类器官早期发育的模型。该模型比专家研究人员更快、更准确，可以提高类器官培养的效率并降低其成本。
在这项研究中，研究人员重点关注下丘脑-垂体类器官的发育预测。这些类器官模仿垂体的功能，包括促肾上腺皮质激素（ACTH）的产生：一种对调节压力、代谢、血压和炎症至关重要的激素。ACTH缺乏可导致疲劳、厌食等问题，这些问题可能危及生命。
“在我们的实验室里，我们对小鼠的研究表明，移植下丘脑-垂体类器官有可能治疗人类的ACTH缺乏症，”名古屋大学医学院副教授、本文通讯作者久屋秀高说。然而，研究人员面临的一个关键挑战是确定类器官是否发育正常。从悬浮在液体中的干细胞衍生而来，类器官对微环境变化非常敏感，导致其发育和最终质量的变异性。研究人员发现，早期发育阶段广泛表达RAX蛋白是一个良好的进展标志，通常会导致后期ACTH分泌强烈的类器官。
“我们可以通过基因改造使RAX蛋白荧光来追踪发育，”久屋秀高说。“然而，用于临床用途的类器官，如移植，不能被基因改造以发出荧光。因此，研究人员必须根据肉眼观察进行判断：这是一个耗时且不准确的过程。”
因此，名古屋大学的久屋秀高和他的同事与九州大学数据驱动创新倡议教授新冈弘洋合作，训练深度学习模型来完成这项任务。“深度学习模型是一种模仿人类大脑处理信息方式的人工智能，使它们能够通过识别模式来分析和分类大量数据，”新冈弘洋解释道。
名古屋大学的研究人员拍摄了30天发育的带有荧光RAX蛋白的类器官的荧光图像和明场图像（在普通白光下显示类器官的外观）。利用荧光图像作为指导，他们将1500张明场图像分为三个质量类别：A（广泛RAX表达，高质量）；B（中等RAX表达，中等质量）和C（狭窄RAX表达，低质量）。新冈弘洋随后训练了两个先进的深度学习模型——EfficientNetV2-S和Vision Transformer，这两个模型由谷歌开发用于图像识别，以预测类器官的质量类别。他使用了1200张明场图像（每类400张）作为训练集。经过训练后，新冈弘洋将两个深度学习模型组合成一个集成模型，以进一步提高性能。
研究团队使用剩余的300张图像（每类100张）测试了优化后的集成模型，该模型将类器官的明场图像分类的准确率为70%。相比之下，有多年类器官培养经验的研究人员预测同一组明场图像的类别时，准确率低于60%。“深度学习模型在所有方面都超过了专家：准确性、敏感性和速度，”新冈弘洋说。
下一步是检查集成模型是否也能正确分类未经过基因改造以使RAX荧光的类器官的明场图像。研究人员使用训练好的集成模型测试了30天发育的未带有荧光RAX蛋白的下丘脑-垂体类器官的明场图像。通过染色技术，他们发现模型分类为A（高质量）的类器官确实在30天时表现出高RAX表达。继续培养后，这些类器官后来显示出高ACTH分泌。而模型分类为C（低质量）的类器官则表现出低水平的RAX和ACTH。
“因此，我们的模型可以根据视觉外观在早期发育阶段预测类器官的最终质量，”新冈弘洋说。“据我们所知，这是世界上首次使用深度学习预测类器官发育的未来。”
展望未来，研究人员计划通过更大的数据集训练模型来提高其准确性。但即使在当前的准确率水平，该模型对当前的类器官研究也有深远的影响。“我们可以快速、轻松地选择高质量的类器官用于移植和疾病建模，并通过识别和移除发育不良的类器官来减少时间和成本，”久屋秀高总结道。“这是一个游戏规则的改变者。”
参考文献：
Asano T, Suga H, Niioka H, et al. A deep learning approach to predict differentiation outcomes in hypothalamic-pituitary organoids. Comm Biol. 2024;7(1):1468. doi: 10.1038/s42003-024-07109-1
(全文结束)
