利用人工智能（AI）在早期阶段预测类器官的发育：更快，更准确

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育。该模型比专家研究人员更快，更准确，可以提高效率，降低培养类器官的成本。

　　

模拟器官功能和结构的微型实验室培养组织正在改变生物医学研究。它们有望在个性化移植、改进阿尔茨海默氏症和癌症等疾病的建模以及更精确地了解医疗药物的效果方面取得突破。

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，该模型使用人工智能（AI）来预测早期阶段的类器官发育。该模型比专家研究人员更快，更准确，可以提高效率，降低培养类器官的成本。

在2024年12月6日发表在《通讯生物学》上的这项研究中，研究人员专注于预测下丘脑-垂体类器官的发育。这些类器官模仿脑垂体的功能，包括产生促肾上腺皮质激素（ACTH）：一种调节压力、新陈代谢、血压和炎症的关键激素。ACTH缺乏会导致疲劳、厌食症和其他可能危及生命的问题。

“在我们的实验室里，我们对老鼠的研究表明，移植下丘脑-垂体类器官有可能治疗人类ACTH缺乏症，”通讯作者、名古屋大学医学研究生院副教授Hidetaka Suga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。类器官来源于悬浮在液体中的干细胞，对微小的环境变化很敏感，导致其发育和最终质量的变化。

研究人员发现，良好进展的一个标志是一种名为RAX的蛋白质在早期发育阶段的广泛表达，这通常会导致后来的类器官分泌强烈的ACTH。

Suga说：“我们可以通过对类器官进行基因改造，使RAX蛋白发出荧光，从而跟踪它们的发育。”“然而，用于临床用途的类器官，如移植，不能通过基因改造来发出荧光。因此，我们的研究人员必须根据他们的眼睛所看到的进行判断：这是一个耗时且不准确的过程。”

因此，Suga和他在名古屋的同事与九州大学数据驱动创新计划（Data-Driven Innovation Initiative）的教授Hirohiko Niioka合作，为这项工作训练深度学习模型。

Niioka解释说：“深度学习模型是一种人工智能，它模仿人类大脑处理信息的方式，允许它们通过识别模式来分析和分类大量数据。”

名古屋的研究人员在发育的第30天拍摄了带有荧光RAX蛋白的类器官的荧光图像和亮场图像，这些图像显示了类器官在正常白光下没有任何荧光的样子。他们以荧光图像为指导，将1500张亮场图像分为三个质量类别：a （RAX表达范围广，质量高）；B （RAX表达中等，质量中等）和C （RAX表达较窄，质量较低）。

Niioka随后训练了谷歌为图像识别开发的两个高级深度学习模型——EfficientNetV2-S和Vision Transformer，以预测类器官的质量类别。他使用1200张亮场图像（每个类别400张）作为训练集。

训练结束后，Niioka将两个深度学习模型合并为一个集成模型，以进一步提高性能。研究小组使用剩下的300张图像（每个类别100张）来测试现在优化的集成模型，该模型对类器官的亮场图像进行分类，准确率达到70%。

相比之下，当具有多年类器官培养经验的研究人员预测相同亮场图像的类别时，他们的准确率低于60%。

Niioka说：“深度学习模型在所有方面都优于专家：在准确性、灵敏度和速度方面。”

下一步是检查集成模型是否也能够正确分类类器官的亮场图像，而不需要进行基因修饰以使RAX发出荧光。

研究人员在发育30天没有荧光RAX蛋白的下丘脑-垂体类器官的亮场图像上测试了训练好的集合模型。通过染色技术，他们发现模型分类为A（高质量）的类器官在30天确实表现出RAX的高表达。当它们继续培养时，这些类器官后来显示出高ACTH分泌。同时，在C（低质量）类器官中可见低水平的RAX和随后的ACTH。

“因此，我们的模型可以在开发的早期阶段预测类器官的最终质量，仅仅基于视觉外观，”Niioka说。“据我们所知，这是世界上第一次将深度学习用于预测类器官发展的未来。”

展望未来，研究人员计划通过在更大的数据集上训练来提高深度学习模型的准确性。但即使在目前的精度水平上，该模型对当前的类器官研究也有深远的影响。

Suga总结道：“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太好的类器官来减少时间和成本。”“这将改变游戏规则。”