近期，西北工業(yè)大學柔性電子前沿科學中心的黃維院士、彭勃副教授、李林教授課題組發(fā)表了綜述文章，詳細且全面地介紹、分析并總結(jié)了將深度學習算法應(yīng)用于器官芯片的最新研究進展，并對這一新型交叉領(lǐng)域的未來發(fā)展方向進行了展望，相關(guān)綜述以“An Overview of Organs-on-Chips Based on Deep Learning” 為題發(fā)表在Research上。

研究背景

生物實驗中使用最廣泛的疾病模型是二維細胞模型與動物模型，是絕大多數(shù)藥物進入臨床研究的“必修課”。

但它們都有一定的局限性：細胞模型在生物醫(yī)學研究中有一定的價值，但它不能充分地模擬人體器官組織的復雜生理結(jié)構(gòu)與功能；動物模型是目前許多生物學研究的金標準，但存在成本高、通量低、動物倫理、種間差異等問題，極大地限制了藥物開發(fā)和其他生物學研究的進展。

長久以來，疾病模型的缺陷極大地提高了新藥研發(fā)的成本并限制了病理學的研究。

在這一背景下，器官芯片（Organs-on-Chips，OoCs）的出現(xiàn)彌補了一般疾病模型的缺陷。

器官芯片是在微流控技術(shù)（Microfluidics）的發(fā)展過程中，與光刻技術(shù)、細胞生物學、材料和生物組織工程等技術(shù)相結(jié)合的產(chǎn)物。

作為一種微流控細胞培養(yǎng)裝置，器官芯片包含連續(xù)的灌注腔室，具有多細胞層結(jié)構(gòu)和組織界面，可以復現(xiàn)器官的局部結(jié)構(gòu)特征；通過精確控制多細胞生長環(huán)境參數(shù)、組織機械力，從而實現(xiàn)體內(nèi)器官的復雜生理功能的高度模擬。

其優(yōu)點眾多，例如能耗低、體積小、反應(yīng)速度快、即用即棄等。

作為高通量生物研究平臺，器官芯片在生命科學研究、疾病模擬、毒性預(yù)測、新藥研發(fā)及精準醫(yī)療等方面具有廣闊的發(fā)展前景。

2016年，器官芯片入選了達沃斯論壇年度十大新興技術(shù)之一，與目前風頭正盛的兩大新興技術(shù)——新燃料電池和無人駕駛汽車并駕齊驅(qū)。

但是，器官芯片反應(yīng)速度快、高通量的特點所產(chǎn)生巨量的數(shù)據(jù)，加上精確控制組織微環(huán)境所需的自動化方案，已經(jīng)遠遠超出了具有生物醫(yī)學背景的研究人員在短時間內(nèi)進行人工分析的范疇。

因此，器官芯片急需尋找一個可以輔助、甚至代替研究人員進行分析判斷的工具，從而提升實驗效率和準確度。

隨著計算機算力的提升和大數(shù)據(jù)時代的到來，通過計算機代替人類完成一些任務(wù)不再是癡人說夢。

人工智能（Artificial Intelligence）近年來在計算機視覺、自然語言處理、語音識別等多個領(lǐng)域都得到了廣泛應(yīng)用，并成功地實現(xiàn)了商業(yè)化，是“第四次工業(yè)革命”中的關(guān)鍵技術(shù)。

深度學習（Deep Learning）作為目前人工智能領(lǐng)域中最炙手可熱的算法，建立深層人工神經(jīng)網(wǎng)絡(luò)進行分析學習，從而模擬視聽和思考等人類的活動。

由于其強大的特征表示能力和數(shù)據(jù)挖掘能力，在計算機視覺、自然語言處理、語音識別領(lǐng)域都已經(jīng)得到了廣泛的應(yīng)用，使得人工智能相關(guān)技術(shù)取得了很大進步。

因此，將深度學習技術(shù)作為探索和分析器官芯片實驗數(shù)據(jù)的有力工具，可以有效挖掘海量數(shù)據(jù)背后所隱含的內(nèi)在規(guī)律，提升器官芯片的智能化水平，并激發(fā)其在藥物開發(fā)、疾病建模和個性化醫(yī)療方面的巨大潛力（圖1）。

圖1 基于深度學習的器官芯片

研究進展與展望

本文從四個方面介紹了這一領(lǐng)域的研究進展。

1.微流控技術(shù)和以其為技術(shù)支撐的器官芯片裝置。與傳統(tǒng)疾病模型進行對比后，可直觀地發(fā)現(xiàn)器官芯片的特性與優(yōu)勢。目前限制了器官芯片的發(fā)展瓶頸之一是：高通量的實驗平臺帶來了巨量數(shù)據(jù)和人為的實驗誤差。

2. 系統(tǒng)地講述了深度學習算法的發(fā)展歷程，并在其中穿插講解了算法原理及一些經(jīng)典的實現(xiàn)深度學習的神經(jīng)網(wǎng)絡(luò)模型。

3. 對目前各種適用于器官芯片，或已經(jīng)用于部分器官芯片分析的深度學習算法進行了介紹、分析和總結(jié)。本文以應(yīng)用場景的不同、器官芯片設(shè)備的升級、深度學習算法的復雜度為分類依據(jù)，循序漸進地對相關(guān)應(yīng)用進行了介紹，有助于對不同應(yīng)用之間進行對比分析。通過目標任務(wù)（預(yù)測、到目標識別、到圖像分割、到跟蹤）的實現(xiàn)難度，對已有的基于深度學習的器官芯片應(yīng)用進行分類（圖2）。

圖2 交叉應(yīng)用的總結(jié)分類

4. 從細胞器的識別與監(jiān)測、微流控細胞培養(yǎng)系統(tǒng)的自動化與智能化、藥物開發(fā)、罕見病的診斷以及多器官芯片耦合的人體芯片等不同角度，為這一新型交叉應(yīng)用的未來發(fā)展方向進行展望。

審核編輯 ：李倩