【国自然申请必看】Nat Rev Bioeng（IF：37.6）重磅综述

如何正确分析类器官：从组学、光电力学再到 AI

备选标题：

类器官的“超级监控”工具！组学、光电力学、AI联手破解微型器官谜团

药物测试的“黑科技”：类器官如何才能被“读心”？

实验室里的“迷你大脑”和“小心脏”，科学家如何读懂类器官的秘密？

从“黑箱”到“透明”：给类器官装上“五感”有多酷？

原载：“大橡科技”公众号

关键词：类器官；分析工具包；组学分析；电生理分析；生物物理分析；光学分析；计算分析

在生物医学前沿，类器官（Organoid）——这些能在培养皿中自组织形成的3D微型器官模型——正以较高的保真度模拟人体组织的结构与功能。然而，一个根本性难题长期存在：这些沉默的“小生命”内部究竟发生了什么？将类器官研究转化为临床和工业应用需要开发兼容的分析平台，若无法实时、原位、无创地解析其生理状态，类器官就只是一个“黑箱”。

近日，来自韩国延世大学和首尔大学的研究团队在Nature顶级子刊《Nature Reviews Bioengineering》（影响因子：37.6）发表一篇重要综述，系统梳理了一套完整的“分析工具包”，涵盖从分子到功能、从结构到力学的多维表征技术。

该综述指出，唯有通过多模态、高通量、智能化的分析手段，才能充分发挥类器官在药物筛选、疾病建模和个性化医疗中的潜力。文章深入解析了这一工具包的核心框架，揭示科学界如何让类器官“开口说话”。

研究亮点：

1. 多模态“分析工具包”框架：系统整合组学、电生理、生物物理、光学与计算五大技术，为类器官提供全方位“多维监测”，显著提升其在临床前研究中的可靠性与可比性。

2. 破坏性与非破坏性方法的平衡：指出当前类器官分析仍过度依赖终点式、破坏性技术（如单细胞测序），而长期、动态监测需依赖柔性电子、光片显微等非侵入手段，二者融合是未来方向。

3. “类器官智能”新概念：结合脑类器官与微电极阵列（MEA），已实现简单学习与模式识别功能，预示未来类器官可能成为具备自适应能力的活体计算单元，推动生物计算新范式。

一、组学分析：解码类器官的分子身份

组学技术是理解类器官细胞组成与发育轨迹的基石。单细胞RNA测序（scRNA-seq）能高分辨率解析基因表达异质性，鉴定细胞类型与状态。方法多样：板基法（如Smart-seq2）灵敏度高、全长覆盖，适用于肝类器官中肝细胞谱系追踪；液滴法（如10x Genomics）通量大，用于脑类器官批量验证细胞组成一致性；而微流控平台DisCo专为低输入样本设计，处理<500细胞样本时捕获率>90%，即使样本量更少仍可保持>70%的高捕获效率，成功揭示肠类器官中再生干细胞与杯状细胞的调控网络（图1）。

多组学整合进一步深化认知。例如，结合转录组与染色质可及性数据（scATAC-seq），研究者发现人脑类器官中PI3K–AKT–mTOR通路活性更高，解释了人类皮层发育的延缓现象。空间组学则将基因表达映射回3D结构，如在视网膜类器官中重建背腹轴基因（如EPHB2）的不对称分布，揭示层状结构形成机制（原文图1：概述分子、功能、机械和结构特征的分析方法，强调多学科整合对临床应用的必要性）。

图1. 类器官的关键生理特性。类器官是一种能够自组织形成的三维微型组织，可高度模拟真实器官在功能、结构和生物学复杂性等方面的特征。它不仅复现了源器官的细胞组成，还包含处于不同分子与发育状态（如S、M、G1和G2期）的特化细胞类型，并通过协调的细胞信号网络维持其动态稳态。在发育过程中，类器官通过细胞更新、迁移与分化等过程实现自我组织与成熟。其功能层面亦高度还原器官特异性行为，例如电生理活动、上皮屏障完整性以及独特的能量代谢模式。此外，类器官还能通过细胞极性、差异化的基因表达、细胞间通讯，以及细胞与细胞外基质（ECM）之间的力学相互作用，再现器官特有的三维结构与微环境。

二、电生理分析：捕捉“心跳”与“脑波”的节奏

对于心脏与脑类器官，电活动是功能成熟的核心指标。传统膜片钳虽精度高，但具破坏性。二维微电极阵列（2D MEA）可非侵入记录表面信号，高密度互补金属氧化物半导体（CMOS）MEA（如MaxWell MaxOne）甚至实现单细胞级分辨率，捕捉到脑类器官中神经元集群的同步振荡。

突破在于三维记录。3D穿透式MEA（图2a）通过垂直探针刺入内部；柔性液态金属电极（模量~200 kPa）可嵌入组织，实现稳定长期记录（图2b）；而自卷曲生物传感器或Kirigami电子器件（图2c）则包裹类器官，实现长达120天的无创监测。这些技术不仅记录电信号，还可同步施加电刺激，构建闭环反馈系统。

图2. 类器官中的三维电生理记录。为实现对三维类器官电活动的高保真记录，已开发出多种电生理学策略，以适应脑类器官与心脏类器官复杂的几何构型及动态特性。a，三维凸起式微电极阵列（3D protruding MEA）配备可穿透类器官表面的垂直探针，能够直接进入内部区域，实现空间分辨的信号采集。b，柔性表面电子器件可贴合类器官曲面并维持紧密接触；自卷曲生物传感器阵列可在释放后展开为圆柱形结构，包裹类器官，从而实现与内层组织表面的有效接触；此外，基于机械引导组装技术制备的三维介观尺度结构电子器件，可精确匹配类器官的几何形态，实现整体包覆。c，可拉伸网状电子器件具有高度柔韧性，其设计与类器官的发育和形变过程相兼容；网状纳米电子器件可在类器官早期发育阶段即整合入组织内部，随发育进程嵌入其中；而可贴合型网状电子器件则可在类器官发育完成后附着于其表面，在不施加机械约束的条件下实现高分辨率电生理记录。

三、生物物理分析：量化“软硬”与“力量”的平衡

类器官的力学特性驱动其形态发生。原子力显微镜（AFM）显示，肠类器官中潘氏细胞比干细胞更“硬”，向外推挤基质促进隐窝出芽。牵引力显微镜（TFM）则揭示“推-拉”机制：干细胞区向下推，扩增区向上拉，共同维持隐窝结构（图3b）。

为探测内部应力，研究者开发了粒子基传感器。超软水凝胶微球嵌入成纤维细胞球体后，形变揭示由外向内的压缩梯度；磁气囊泡结合超声，则可定量肝/肺类器官纤维化过程中的刚度变化（图3d）。柔性多功能传感器（图3c）更可同步记录心脏类器官的电-机械耦合信号，为毒性测试提供多维数据。

图3. 为评估类器官内部的力学特性与材料性质，研究者已开发出多种策略。a, 原子力显微镜（AFM）利用悬臂探针压入类器官表面，通过测量局部形变来量化其刚度与粘弹性。b, 牵引力显微镜（TFM）通过追踪细胞外基质（ECM）中荧光标记微球的位移，反推类器官对周围基质施加的牵引力，从而揭示细胞与基质间的力学相互作用。c, 柔性多功能传感器可共形贴附于类器官表面，实现机械应变与电生理信号的同步、非侵入性监测——尤其适用于心脏类器官。其中，压敏元件在收缩–松弛循环中检测组织形变，而集成的微电极则同步记录场电位或类心电图（ECG）波形等电生理活动。d, 基于粒子的机械传感器将可变形的水凝胶微球或油性微液滴嵌入类器官内部，其形状在细胞施加的各向同性或各向异性应力下发生改变，从而映射三维空间中的力分布；此外，混合型纳米传感器如磁气囊泡（MGV）结合了磁操控与超声成像技术，可对组织刚度进行定量测绘。这些粒子系统能够在不破坏结构的前提下，实现对类器官内部局部应力的实时、三维动态测量。（GV：气体囊泡；MNP：磁性纳米粒子）

四、光学分析：透视类器官的内在世界

光学成像是可视化3D结构的主力。共聚焦显微镜（LSCM）虽分辨率高，但光毒性大、穿透浅。光片荧光显微镜（LSFM）仅照亮焦平面，结合自动化分割与追踪算法，可实现低毒、快速、长时程成像，成功追踪肠类器官从单细胞到隐窝形成的全过程（图4）。

超分辨技术（如STED）揭示纳米级细节，如小胶质细胞与突触的互作；光学相干断层扫描（OCT）则无需标记，对视网膜或心脏类器官进行毫米级深度成像，并通过动态OCT捕捉细胞分裂、凋亡等实时活动（原文图4：总结LSCM、SDC、LSFM的速度-深度权衡；超分辨增强分辨；OCT非侵入深成像）。

图4. 类器官分析的成像及辅助技术。为可视化类器官的结构、功能与动态过程，已开发多种成像方法：a, 光学成像技术，如激光扫描共聚焦显微镜（LSCM）、转盘式共聚焦显微镜（SDC）和光片荧光显微镜（LSFM），可实现类器官的实时成像与功能性数据采集，但在成像速度、灵敏度和组织穿透深度之间存在不同权衡；b, 超分辨率成像方法，包括受激发射损耗显微镜（STED）、单分子定位显微镜（SMLM）和结构照明显微镜（SIM），可提供亚细胞尺度的高空间分辨率，但也存在光损伤、时间分辨率低以及对光散射敏感等问题；c, 利用光学相干断层扫描（OCT）及其动态模式（D-OCT）进行深层组织成像，可实现对较厚类器官的非侵入性、高分辨率实时成像，尽管其功能特异性有限；d, 高级辅助技术，如自动化高通量成像平台、人工智能（AI）驱动的图像分析工具以及组织透明化方案，进一步提升了三维类器官系统中成像的深度、通量与数据可解释性。(图中蓝底和粉底分别标注优势和劣势)

五、计算分析：赋予类器官“思考”能力的大脑

海量多模态数据需AI“消化”。深度学习算法（如卷积神经网络）已广泛用于图像分割与分类。Phindr3D和MOrgAna可在不精确分割细胞的情况下高效分析3D形态；OrganoID则直接处理明场图像，实现高通量药物反应评估。JeWell平台等硬件整合进一步提升效率，每小时分析数百个类器官。

更前沿的是“类器官智能”（Organoid Intelligence）。DishBrain系统让脑类器官在微电极阵列上学会玩“Pong”游戏；Brainoware则可区分口语词汇并处理非线性方程求解任务（图5c）。这预示着类器官不仅是测试平台，更可能成为低功耗、自适应的生物计算机（图5：展示算法分类、AI-硬件整合、应用如优化培养和生物计算）。

图5. 类器官中的计算方法与基于人工智能的应用研究。计算方法与人工智能（AI）的进步及其与硬件的集成，正在加速基于类器官的研究和应用。a, 计算方法利用监督学习、无监督学习以及用于分类、分割和建模的深度学习算法，处理类器官数据集中的连接组学与转录组学数据。这些方法提升了预测准确性、成本与时间效率、可扩展的自动化能力以及大规模模式识别水平。b, 人工智能与硬件集成结合了微阱或微流控平台与AI驱动的高速三维成像系统和3D生物打印技术，以简化类器官的制造、监控与数据采集。c, 应用包括类器官培养优化、图像与组学数据分析、药物筛查、疾病建模，以及新兴领域如类器官生物计算——即通过集成微电极阵列构建具备功能输入-输出处理能力的平台。

挑战与未来：迈向标准化与智能化

尽管工具日益丰富，挑战依然显著：

首先，破坏性与非破坏性方法难以兼顾：组学等破坏性技术虽能提供高分辨率分子信息，但需裂解样本；柔性传感等非破坏性技术可实现长期动态监测，却受限于信号稳定性、成像深度等技术瓶颈。

其次，缺乏标准化导致批次差异大，阻碍临床转化；再现性和基础设施建设需跨学科协作。

最后，AI模型的“黑箱”特性引发可解释性与监管担忧。

未来路径清晰：

一是发展多模态融合平台，如将AFM力学图谱与空间转录组关联；

二是推进自动化与高通量，如JeWells平台每小时分析数百个类器官；

三是构建透明、可验证的AI模型，结合高质量临床数据，推动类器官真正走向个性化医疗。

结语

类器官的长远目标，是成为能精准模拟人体生理的体外模型。而要实现这一目标，必须为其配备一套强大、集成且智能的“分析工具包”。

该综述不仅描绘了当前技术全景，更指明了从“感知”到“思考”的进化路径。随着多学科交叉创新的深入，类器官或将真正成为一个能与研究者对话的“智能生命系统”，为医学带来显著变革。

文献链接：

Jin, Y., Park, S., & Cho, S.-W. (2026). Organoid analytical toolkits. Nature Reviews Bioengineering. https://doi.org/10.1038/s44222-025-00384-5