类器官是一种小型的、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、阿尔茨海默病和癌症等疾病的建模以及医疗药物效果的精确洞察方面取得突破。
现在，来自日本九州大学和名古屋大学的研究人员开发了一种模型，利用人工智能（AI）在早期阶段预测类器官的发展。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。
这项研究于2024年12月6日发表在《通讯生物学》上，研究人员重点关注下丘脑-垂体类器官的发展预测。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，这是一种调节压力、代谢、血压和炎症的关键激素。ACTH缺乏可能导致疲劳、厌食等危及生命的问题。
“在我们的实验室中，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Hidetaka Suga表示。
然而，研究人员面临的一个关键挑战是确定类器官是否正常发育。这些由悬浮在液体中的干细胞衍生而来的类器官对微小环境变化非常敏感，导致其发育和最终质量的变异性。
研究人员发现，一个良好的进展标志是在早期发育阶段广泛表达一种称为RAX的蛋白质，这通常会导致类器官在后期具有强烈的ACTH分泌。
研究人员使用荧光图像将相应的明场图像根据其RAX表达分为三类：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）。
“我们可以通过基因改造使类器官中的RAX蛋白发出荧光来追踪其发育，”Suga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，我们的研究人员必须根据他们看到的情况进行判断：这是一个耗时且不准确的过程。”
为此，Suga及其名古屋大学的同事与九州大学数据驱动创新计划教授Hirohiko Niioka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，允许它们通过识别模式来分析和分类大量数据，”Niioka解释道。
名古屋大学的研究人员捕捉了在30天发育期带有荧光RAX蛋白的类器官的荧光图像和明场图像。利用荧光图像作为指导，他们将1500张明场图像分为三类：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）。
Niioka随后训练了两个先进的深度学习模型——EfficientNetV2-S和Vision Transformer，这些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。
训练完成后，Niioka将这两个深度学习模型结合成一个集成模型，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，该模型以70%的准确率分类了类器官的明场图像。
相比之下，当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，他们的准确率不到60%。
“深度学习模型在所有方面都优于专家：准确性、灵敏度和速度，”Niioka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发光的类器官的明场图像。
研究人员测试了训练好的集成模型对未带有荧光RAX蛋白的下丘脑-垂体类器官在30天发育期的明场图像的分类能力。通过染色技术，他们发现模型分类为A（高质量）的类器官确实显示出高表达的RAX。继续培养后，这些类器官后来表现出高水平的ACTH分泌。同时，模型分类为C（低质量）的类器官显示出低水平的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，”Niioka说。“据我们所知，这是世界上首次使用深度学习预测类器官未来发展的研究。”
展望未来，研究人员计划通过在更大的数据集上训练模型来提高其准确性。但即使在目前的准确率水平，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，并通过识别和去除发育较差的类器官来减少时间和成本，”Suga总结道。“这是一个游戏规则的改变者。”
(全文结束)