Section.01

国自然申请

近期，国家自然科学基金委员会发布《关于发布细胞集群形成与调控机制重大研究计划2026年度项目指南的通告》^[1]。在《指南》优先资助方向中，小 M 注意到了“机器学习”、“类器官”“人工智能”等字眼多次映入眼帘。

紧跟政策指导！这不，小 M 特地去查了，"人工智能×类器官"可不是说说而已。(毕竟人工智能已经连续两次火上春晚的舞台~)

近年来，在国家自然科学基金重点项目和科技部颠覆性技术中心项目的支持下，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苏佳灿教授团队已经率先启动了"人工智能×类器官"计划！其高度关注 AI 与骨科疾病、类器官技术交叉领域的研究，发表多篇相关综述，涵盖 AI 虚拟类器官、AI 在水凝胶设计、类器官评估、骨关节炎类器官智能制造、骨科临床及手术中的应用等方面的前沿进展^[2]。

本期，咱们就来唠唠：基于AI构建虚拟类器官。

Section.02

基于 AI 的类器官构建

类器官是在适宜培养条件下，由干细胞或祖细胞自组织形成的三维微型结构，能够重现真实器官的关键结构与功能。

基于 AI 模型构建类器官，其核心在于以“虚拟细胞”作为基础计算单元。由此发展而来的人工智能虚拟类器官 (Artificial Intelligence Virtual Organoids， AIVOs)，是在计算空间中构建的、类器官尺度的数字孪生体。它以虚拟细胞为最小可执行单元，通过整合多模态与纵向测量数据，形成通用的生物学状态表征。进一步地，通过引入受生物物理先验知识约束的虚拟仪器，AIVOs 能够逼真地模拟实验操作及多种扰动效应。结合基于智能体、连续介质力学和有限元分析等混合机制模块，AIVOs 最终能够精准捕捉细胞-细胞、细胞-基质相互作用以及组织内的物质输运动态过程。

注：虚拟细胞是一种模拟真实细胞生物学功能及其相互作用的计算模型。

图 1. 虚拟类器官发展、构建和生物医学应用^[3]。

虚拟类器官的构建：四个核心环节

『第一步：数据采集』

采集真实、高质量的类器官多组学与图像数据是构建虚拟类器官的基石。这不仅依赖于基因组学和转录组学数据，更关键的是整合质谱、单细胞测序、空间转录组学及高分辨率成像等多模态信息。这种多维数据的融合，为全面、准确地刻画细胞与组织的复杂生物学过程提供了坚实保障。

『第二步：数据预处理与标准化』

预处理的核心在于将这些异构数据映射至统一的生物坐标参考系中。关键技术包括：通过去除低表达基因和背景噪声校正以提高信噪比；运用图像配准算法和空间变换模型校准不同技术平台间的空间坐标，确保数据一致性；采用 Z-score 或最小-最大归一化等方法消除跨平台数据的尺度差异。标准化的数据为后续模型的稳定训练和精准预测奠定了基础。

『第三步：模型训练』

此阶段融合了多种先进 AI 策略。利用自监督和对比学习结合大规模预训练，提取可迁移的深层特征；引入生成模型以扩充稀缺样本并模拟未知扰动下的细胞响应；通过多模型融合策略，将图神经网络和 Transformer 与生物物理模型相结合，精确捕捉信号传导、细胞-细胞及细胞-基质间的复杂相互作用。

『第四步：模型评估』

模型的可靠性需经过严格量化评估。评估体系不仅涵盖回归与分类等传统指标，更强调引入不确定性度量和置信度评分。同时，遵循 FAIR 原则 (可发现、可访问、可互操作、可重用) 的数据与模型共享机制、建立精炼的存储库和可重用的模型库，是保障研究可重复性、加速成果转化应用的关键支撑。

图 2. 虚拟类器官构建^[3]。

Section.03

人工智能在

数据处理中的应用

研究以携带 Rx-GFP 荧光报告基因的小鼠胚胎干细胞为模型——Rx 基因是早期视网膜祖细胞的特异性标记物。在 96 孔板中诱导细胞形成单个类器官，确保样本独立性。在培养第 5 天采集类器官的明场图像作为模型输入特征，第 9 天采集同一类器官的荧光图像，作为判断其是否成功分化为视网膜的"金标准"。

两名独立专家对第 9 天收集到的1209 张有效荧光图像进行分类标注，将类器官分为"视网膜类"、"非视网膜类"和"合格类"，其中视网膜类与非视网膜类样本分别占 73% 和 27%。选用四种在 ImageNet 数据集上预训练的先进卷积神经网络(CNN) 架构，通过 10 折交叉验证法系统比较其性能，并以添加 (ROC-AUC) 为核心评估指标。

结果表明，ResNet50v2 架构表现最为稳健，在测试集上 AUC 达到 0.91，分类准确率达 84%，显著优于人类专家的平均水平。尤为关键的是，该模型能仅基于第 5 天的明场图像，准确预测第 9 天的分化结局。这有力证明，早在特异性荧光标记物表达之前，类器官的早期形态学特征中已蕴含着决定其后续命运的关键信息。

图 3. 基于人类专家和 CNN 的分类数据的对比^[4]。

A. 代表性类器官荧光图像，分别为视网膜类、合格类、非视网膜类；B. CNN 的受试者工作特征曲线，该分类器的曲线下面积得分为 0.91；C. 基于人类专家与基于CNN 的分类器指标对比。CNN 在所有评估指标 (马修斯相关系数 (MCC)、准确率、F1分数、精确率与召回率) 上均表现更优。

"人工智能×类器官"的融合正从方法论与数据驱动双维度重塑研究范式：虚拟构建打造可计算的组织模型，突破实体通量与监测瓶颈；深度学习则挖掘早期非侵入图像中的命运预测特征。二者协同构建高保真模型与多模态分析能力，为高效药物筛选与精准医疗开辟新径，也为国自然申报提供了兼具前沿性与可行性的创新思路。

目前，虚拟类器官的构建仍高度依赖于庞大、多样化且注释完整的数据集，同时在模型的可解释性与人工智能决策的可信性方面仍面临挑战。因此，现阶段仍需结合湿实验对类器官的机制进行系统验证。

产品推荐

组织保存液(HY-K6010)

用于短期存储或运输原代组织样本的保存溶液，避免样本在储存或运输过程中出现细胞凋亡、坏死等现象

肿瘤组织消化液 (HY-K6011)

温和、高效消化肿瘤组织样本成细胞悬液或细胞团块

ATP 发光法3D细胞活力检测试剂盒(HY-K6017)

对 ATP 进行定量以测定培养物中 3D 细胞数目及细胞活力，一定范围内信号强度和 ATP 含量成正比

类器官基底膜基质胶(HY-K6007)

提供类器官成生长的支架

人口腔鳞癌类器官培养试剂盒(HY-K6133)

有效构建人口腔鳞癌类器官。

AI 药物筛选

利用机器学习 (Machine Learning，ML) 算法分析大量数据，从中学习规律，生成 AI 打分函数，以此提高筛选效率，加速候选药物的发现过程。

[1] https://www.nsfc.gov.cn/p1/3381/2824/100405.html 

[2] https://suitm.shu.edu.cn/info/1086/6648.htm

[4] Kegeles E, Naumov A, Karpulevich EA, etc. Convolutional Neural Networks Can Predict Retinal Differentiation in Retinal Organoids. Front Cell Neurosci. 2020 Jul 3;14:171.