《Bioactive Materials》：Organoid Intelligent Morphomics: Decoding the organoid morphome through artificial intelligence from phenotypic quantification to mechanistic insight
编辑推荐：
类器官作为能够重现原生器官结构和功能的三维（3D）生物活性微组织，已成为生物医学研究中宝贵的模型。然而，其广泛应用受制于主观形态学评估和终点检测，这些方法损害了标准化和可扩展性。本综述介绍了类器官智能形态组学（OIM），一个整合成像技术与人工智能的解析框架，旨
类器官作为能够重现原生器官结构和功能的三维（3D）生物活性微组织，已成为生物医学研究中宝贵的模型。然而，其广泛应用受制于主观形态学评估和终点检测，这些方法损害了标准化和可扩展性。本综述介绍了类器官智能形态组学（OIM），一个整合成像技术与人工智能的解析框架，旨在建立“形态-功能-机制”映射。OIM推动范式转变：从定性到定量分析、从静态到动态监测、从表层观察到深层分子推断。研究人员批判性地审视了OIM在三个相互关联领域的应用：（1）质量控制，包括通过非侵入性活力定量和形态学评估进行实时评估，以及用于早期分化结局预测的预测性质量控制；（2）疾病解构，实现疾病形态的定量、多尺度表型分析，并建立形态-机制关联分析；（3）药物开发，促进高通量疗效筛选、毒性评估和个体化治疗指导。此外，研究人员批判性分析了OIM当前面临的数据、算法和转化挑战，提出了相应解决方案，并提供了通向人工智能虚拟类器官的路线图。最终，OIM有望为类器官治疗产品的可扩展制造和临床转化建立关键技术基础设施。
2. OIM的技术基础：数据采集与智能分析
2.1 成像技术：建立智能分析的数据基础
成像技术为OIM提供数据基础，其发展可分为四个模块：“可见性”“深度”“分辨率与时长”和“全面性”。二维（2D）宽场成像如明场（BF）、相衬（PC）和微分干涉差（DIC）显微镜操作简单、非破坏且适合大规模常规评估，但丢失三维（3D）空间信息。以共聚焦激光扫描显微镜（CLSM）和光学相干断层扫描（OCT）为代表的3D成像解决了成像深度问题，但分别受限于光毒性和细胞级分辨率不足。随后出现的非破坏性体积成像技术，包括光声成像（PAI）、低相干全息断层扫描（LCHT）、多光子显微镜（MPM）和光片荧光显微镜（LSFM），在分辨率与长期观测之间取得平衡。最终，多模态成像平台如无标记多光子光声显微镜（LF-MP-PAM）和光学相干光声显微镜（OC-PAM）整合互补成像模态，可同时获取结构、分子功能和代谢动态信息。成像技术的演进遵循从2D到3D、从潜在侵入到非破坏、从单模态到多模态的路径，同时高维度信息也带来了吞吐量、数据规模和分析复杂度的提升。
2.2 人工智能：走向全面智能分析
AI驱动的类器官图像分析经历了三阶段演进。第一阶段是传统图像处理与早期机器学习（ML），依赖手工特征和规则，如OrganoSeg、ReViMS 2.0、OrgaQuant等，虽实现初步自动化但泛化性受限。第二阶段是基于深度学习的自主特征提取，如OrganoID、deepOrganoid和Organoizer，可直接从原始图像学习任务相关特征，但需要大量数据和计算资源。第三阶段是综合智能分析平台，如CartoCell、VONet和3DcellScope，融合传统算法与深度学习，实现精确3D分割、多维特征提取及虚拟数据集合成。方法选择应依据生物学目标、数据特征和可用资源，而非单纯追求模型复杂度。
2.3 协同成像与AI：构建OIM操作流程
OIM的运作架构包含四个相互关联的阶段：标准化形态数据采集、AI驱动的多维形态组构建、形态-生物学关联与预测建模、生物学验证。多数现有研究仅实现该流程的个别组件，因此OIM并非刚性分类标准，而是一个以形态为中心的分析范式，将形态组构建、生物学推断与实验验证组织为递进序列。
3. OIM推动类器官分析范式转变
3.1 从定性到定量
传统人工观察主观且低通量。OIM利用深度学习（DL）实现无标记检测与分割，进而进行数量与大小定量（如面积、体积、细胞计数、腔内结构）、密度与纹理分析（如细胞数与面积/体积比）、形状指标量化（如圆形度、球度、凸度、偏心率）。这些定量指标将视觉信息转化为数字数据，为客观比较和统计关联奠定基础。
3.2 从静态到动态
OIM通过AI时间序列分析实现多尺度动态追踪。OrganoID、OrBITS、TransOrga-plus等工具可跨时间帧匹配同一类器官，生成生长轨迹并识别分裂、融合、腔形成等形态发生事件。在单细胞水平，LSTree、OrganoidTracker、CellPhenTracker等方法利用核标记追踪细胞运动轨迹，量化细胞周期、分化率和凋亡率。OIM还可分析肿瘤-免疫细胞相互作用动态，将类器官研究从终点静态分析推向连续纵向监测。
3.3 从表浅到深入
OIM可从形态变化推断生物学功能，例如基于血管形态预测氧输送能力、通过腔结构评估分泌功能、利用组织结构判断分化与成熟状态。同时，AI可建立形态-分子整合分析：从无标记显微图像预测生物标志物表达或基因表达谱，甚至生成模拟荧光图像以呈现分子空间分布。然而，这些关联本质上是预测性的，不能直接确立因果关系，需独立实验验证以判断其生物学意义和潜在机制相关性。
4. OIM用于生物医学发现
4.1 类器官质量控制
质量控包括实时质控和预测性质控。实时活力定量主要有三种策略：结合特异性标记的精确量化（如Cellos、OrBITS）、端到端图像-活力映射（如deepOrganoid）、形态特征提取后与活力相关（如SAAVY、AMI指标）。形态评估涵盖群体一致性筛选（如HCS-3DX、2D-SIGMAT）、发育异常检测（如MRI结合AI识别脑类器官囊变）以及功能相关结构识别（如心脏器官样结构成熟度、结肠隐窝成熟评分、CFTR功能定量）。预测性质控利用早期分化阶段的明场图像预测后期细胞组成或分泌功能，已在垂体、视网膜、气道、肾和卵巢癌类器官中验证，预测时间不断提前，数据规模大幅扩展。
4.2 疾病解构
OIM可对疾病形态进行定量多尺度表型分析。SCOUT工作流通过光片显微镜和DL分析人脑类器官，定量刻画寨卡病毒引起的细胞密度降低、组织结构紊乱和脑室体积减小。肿瘤类器官中，尺寸、偏心率、形状因子等指标可反映治疗反应和侵袭能力。在形态-机制关联方面，双深度神经网络框架建立了患者来源肿瘤类器官（PDTO）形态特征与转录组特征的直接映射，揭示吞噬体、细胞黏附及癌症转录失调等通路；基于形态亚型的多组学分析识别了具有不同分子特征和临床预后的疾病亚型。
4.3 药物开发
药物筛选方面，肾类器官结合DL定量肾单位形态参数用于FDA药物库筛选；POST算法量化肿瘤类器官生长速率评估抗肿瘤疗效；亨廷顿病模型中DL分析用于从千余种化合物中筛选可挽救疾病表型的溴结构域抑制剂。毒性评估方面，DILITracer利用肝类器官明场图像以82.34%准确率预测药物性肝损伤等级；肾类器官通过ML分类和面积监测评估肾毒性；人中脑类器官通过多巴胺能神经元形态特征预测神经毒性；脑类器官结合DL预测抗癫痫药物毒性。个体化治疗指导方面，OIM通过量化不同患者来源类器官的药物反应实现分层，并可识别患者内不同形态亚群中的敏感与耐药亚克隆，为联合治疗策略提供依据。
5. 挑战
OIM面临三类主要挑战。数据方面，高质量标注数据稀缺，类器官不规则几何和厚度造成成像伪影；生物和实验技术异质性导致分布偏移；基质刚度、流体力和细胞因子等微环境因素可能混淆形态学推断。算法方面，高维成像数据计算成本高，模型跨数据集泛化性不足，软件环境和初始化差异影响可重复性，深度学习模型可解释性有限且难以区分因果因素与相关特征。转化方面，缺乏针对OIM整合平台的明确监管框架，患者来源数据与多组学及临床信息整合带来隐私、知情同意、数据所有权和受益共享问题，类器官生物样本库多样性不足可能引入系统性偏倚。
6. 未来展望
6.1 建设大规模标准化数据生态系统
未来OIM需要从分散数据集转向遵循FAIR原则（可查找、可访问、可互操作、可重用）的大规模标准化数据基础设施，包括标准化元数据框架、共享本体和标准化报告框架。基础模型如OrgLine可通过预训练表示和提示引导分割，减少任务特定模型开发成本，为OIM提供更统一的计算骨干，但仍依赖多样化的高质量数据集进行验证。
6.2 增强模型可解释性和机制合理性
未来模型应超越单纯预测性能，转向可解释且机制合理的计算系统。可解释AI（XAI）和生物信息约束网络可帮助识别与细胞行为、组织发育相关的形态模式。将基质刚度、黏弹性、可降解性、孔隙率、流体剪切力和机械应变等机械生物学与生物材料描述符纳入模型，可解释微环境相关的形态变异。结合可控扰动系统（如工程化基质和器官芯片）与迭代模型-实验反馈循环，可检验预测的形态-生物学关系是否具有实验可重复性。
6.3 衔接技术标准、监管路径与伦理保障
OIM转化需要建立多中心基准数据集、标准化报告框架和独立验证策略，评价不仅关注预测准确性，还需涵盖鲁棒性、可重复性和生物学相关性。监管评估应适应OIM应用的预期用途和风险特征，并考虑模型更新与上市后监测。数据治理方面需采用隐私保护计算策略、透明数据使用政策和公平代表性，确保OIM驱动的精准医学惠及多样人群。
6.4 迈向数字类器官孪生：物理信息多模态整合
长远方向是人工智能虚拟类器官（AIVO）和数字类器官孪生。OIM可将纵向成像数据转化为形态状态表征，但完整数字孪生还需整合转录组、蛋白组、代谢组以及生物力学和微环境变量。将AI与顶点模型、细胞Potts模型、偏微分方程连续模型等机制模型结合，可建立受生物学约束的状态转移模型。发展路径包括建设标准化纵向数据库、构建混合AI-机制模型预测状态转变、通过实验观测持续校准和更新模型。数字孪生还需支持反事实推断和在硅扰动测试，并经过严格验证和不确定性评估。
7. 结论
本综述提出OIM作为整合性概念与分析框架，将类器官形态从定性观察转化为定量和可预测信息。通过将形态量化、功能关联或预测以及实验支持的机制验证组织为层次化流程，OIM强调了类器官分析的三大转变：从定性到定量、从静态到动态、从表层观察到深入生物学解释。其在质量控制、疾病解构和药物开发中的应用展示了成像与AI系统整合的价值，为未来方法学发展提供了结构化基础，并有望推动更具可重复性、可扩展性和转化性的类器官研究。
