近期，上海大学转化医学研究院/上海交通大学医学院附属新华医院骨科苏佳灿教授团队在科爱创办的期刊Bioactive Materials上发表综述文章：人工智能在类器官构建、分析和应用中的最新进展。该综述首先简要描述了类器官和人工智能的基本概念和应用场景，总结了人工智能用于类器官构建策略快速筛选、多尺度图像特征高效提取、多组学数据简化分析以及临床应用精准预测和评估的相关研究。之后探讨了类器官与人工智能结合的挑战和局限性，并展望了该研究领域的未来方向。
1、研究内容简介
类器官是一种模拟器官结构和功能的微型简化体外模型系统，由于其在疾病建模、药物筛选、个性化医学和组织工程中的应用前景广阔，引起了人们的极大兴趣。尽管在类器官构建方面取得了巨大成功，但它们自组装的复杂性以及高通量数据分析仍然存在挑战。引入人工智能（AI）用于类器官体外构建，数据分析和临川前评估，有望加速类器官的开发和临床应用，从而彻底改变该领域。本文旨在深入探讨类器官和AI的交汇点，特别是在高度复杂的自组装与高通量数据分析方面。首先，笼统地概述了类器官在疾病建模、药物筛选、精准医学及组织工程中的广泛应用以及面临的数据处理和自组装的挑战。其次，回顾了AI的发展轨迹、分类，并集中于其在医学应用中的价值。文章主旨在于明确AI如何具体促进类器官研究的高度精细化和个性化，从算法设计到数据解析，揭示AI在该领域内的本质贡献。最后，扼要分析了AI驱动的类器官模型在推动精准医学与组织工程方面的优势与局限。该综述旨在为类器官与AI领域的融合提供一个全面、严谨而深入的分析概括。
一、类器官概述
1.1 类器官定义及发展简史
术语"类器官"（Organoid）源于20世纪初，并在21世纪初由Hans Clevers教授及其团队推动至前沿科学，是一种借助干细胞体外自组装得到的三维（3D）微型器官，用于模拟原生器官的多维特性。该领域自2009年起得到飞速发展，成为生物医学研究领域的重要工具（图1）。
图1. 类器官发展史
1.2 类器官应用
类器官在模拟复杂组织与器官功能、高通量药物筛选、疾病建模，以及再生医学方面具有广泛的应用潜力。例如，它们通过与免疫细胞共培养，能够揭示肿瘤微环境的复杂性，进而推动癌症生物学的研究。同时，在药物开发阶段，肝脏类器官等特定类型的类器官能提供药物代谢和毒性评估的精准模型。此外，类器官在再生医学领域具有改良器官移植和组织修复的可能性（图2）。总体而言，类器官提供了一种前沿、多维和高度集成的平台，用于解决生物医学中的多个关键问题。
图2. 类器官应用
二、 AI 概述
2.1 AI定义和简史
AI是一门起源于计算机科学的交叉学科，其核心目标在于模拟和扩展人类的认知功能，涉及视觉感知、决策与其他复杂任务。该领域于1956年由约翰·麦卡锡在达特茅斯会议上首次得到明确定义，并随后得到了计算机科学、数学、心理学等多学科的广泛关注（图3）。早期AI研究以基于规则的系统为主，以1955年Newell和Simon开发的逻辑理论家为代表。20世纪70年代，该领域开始聚焦于基于神经网络和其他复杂算法的机器学习方法。进入90年代，随着万维网的兴起，自然语言处理等领域也取得了显著进展。
图3.AI发展简史
2.2 机器学习类型
AI旨在模仿人类对需要智能的任务的认知功能，如自然语言理解和决策。机器学习是人工智能的一个子集，它使用算法从数据中迭代学习，从而实现决策和预测的自动化。它是当今大多数人工智能应用程序的基础。有几种类型的机器学习，每种都可以用来解决不同的问题。机器学习的主要类型包括：监督学习、无监督学习与强化学习。其次作者还简述了常见的机器学习模型（图4）。
图4. 机器学习简介：(a)机器学习主要类型；(b)常见的机器学习模型微观结构特征及溶胀行为。
三、AI赋能类器官：体外构建、数据分析和临床应用
AI与类器官研究的碰撞产生了一个革新领域，目的在于通过AI算法优化类器官的体外构建和功能模拟。该融合技术侧重于五个核心维度：快速筛选构建策略、多尺度图像特征的高效提取、多组学数据简化分析、以及临床前评估与应用的精准性（图5）。其中，引入AI进行类器官体外快速筛选构建策略作为一种高效的实验设计工具，极大提高了研究效率。多尺度图像特征的高效提取和多组学数据简化分析则进一步深化了对类器官结构和功能的理解，同时为精准医学提供了更多维度的数据支持。
图5. 人工智能类器官的定义和内容
在这一背景下，AI赋能类器官对于深化我们对复杂生物系统的理解和优化类器官构建具有明显潜力。机器学习算法能够优化具备所需物理化学特性的基质凝胶设计，实现质量控制的全自动化，并进行培养条件的动态监控。此外，AI还能高效分析高通量组学数据，反馈多维度的功能和结构信息，从而推动类器官研究从实验阶段向临床应用的快速转化。尽管AI赋能的类器官研究具有显著优势，实践中仍需解决一系列挑战和局限性以充分发挥其潜能。
2、原文信息
Long Bai, Yan Wu, GuangfengLi, Wencai Zhang*, Hao Zhang*, Jiacan Su*.
AI-enabled organoids: Construction, analysis, and application.
Bioactive Materials, 31 (2024) 525-548.
https://doi.org/10.1016/j.bioactmat.2023.09.005
