类器官，有时被称为迷你器官，对于再生医学、药物发现和基础研究至关重要。现在，深度学习模型可以预测它们是否正在正常发育。这项研究成果已发表在《通讯生物学》（Communications Biology）上。
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，有望提高类器官培养的效率并降低其成本。
在这项研究中，研究人员重点关注预测下丘脑-垂体类器官的发展。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、厌食等问题，这些问题可能危及生命。
“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，”名古屋大学医学研究生院副教授菅秀高（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正在正确发育。从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，早期发展阶段广泛表达一种名为RAX的蛋白质是一个良好进展的标志，这通常会导致类器官后期产生强烈的ACTH分泌。“我们可以通过基因改造使类器官的RAX蛋白发出荧光来追踪发育过程，”菅秀高说，“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，菅秀高及其名古屋大学的同事与九州大学数据驱动创新倡议教授新冈弘彦（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，”新冈弘彦解释道。
名古屋大学的研究人员在类器官发育30天时捕捉了带有荧光RAX蛋白的类器官的荧光图像和明场图像（即在普通白光下观察到的类器官图像）。根据荧光图像作为指导，他们将1500张明场图像分为三类质量等级：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）。
新冈弘彦随后训练了两个高级深度学习模型——EfficientNetV2-S和Vision Transformer，这两个模型由谷歌开发，用于图像识别。他使用了1200张明场图像（每类400张）作为训练集。经过训练后，新冈弘彦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，该模型以70%的准确率对类器官的明场图像进行了分类。
相比之下，具有多年类器官培养经验的研究人员在预测同一组明场图像的类别时，准确率低于60%。“深度学习模型在各个方面都超过了专家：准确性、敏感性和速度，”新冈弘彦说。
下一步是检查集成模型是否也能正确分类未进行基因改造以使RAX发出荧光的类器官的明场图像。研究人员使用染色技术测试了训练好的集成模型，对未带有荧光RAX蛋白的下丘脑-垂体类器官在发育30天时的明场图像进行了分类。结果发现，模型分类为A（高质量）的类器官确实显示出在30天时RAX的高表达。继续培养后，这些类器官后来表现出高ACTH分泌。与此同时，模型分类为C（低质量）的类器官显示出较低的RAX和ACTH水平。
“因此，我们的模型可以根据视觉外观在早期阶段预测类器官的最终质量，据我们所知，这是世界上首次使用深度学习预测类器官发展的未来，”新冈弘彦说。
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。但即使在当前的准确率水平下，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，”菅秀高总结道，“这是一个改变游戏规则的技术。”
(全文结束)
