近期，西北工業大學柔性電子前沿科學中心的黃維院士、彭勃副教授、李林教授課題組發表了綜述文章，詳細且全面地介紹、分析并總結了將深度學習算法應用于器官芯片的最新研究進展，并對這一新型交叉領域的未來發展方向進行了展望，相關綜述以“An Overview of Organs-on-Chips Based on Deep Learning” 為題發表在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構與功能；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）的出現彌補了一般疾病模型的缺陷。

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

作為一種微流控細胞培養裝置，器官芯片包含連續的灌注腔室，具有多細胞層結構和組織界面，可以復現器官的局部結構特征；通過精確控制多細胞生長環境參數、組織機械力，從而實現體內器官的復雜生理功能的高度模擬。

其優點眾多，例如能耗低、體積小、反應速度快、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、毒性預測、新藥研發及精準醫療等方面具有廣闊的發展前景。

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

但是，器官芯片反應速度快、高通量的特點所產生巨量的數據，加上精確控制組織微環境所需的自動化方案，已經遠遠超出了具有生物醫學背景的研究人員在短時間內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據時代的到來，通過計算機代替人類完成一些任務不再是癡人說夢。

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

深度學習（Deep Learning）作為目前人工智能領域中最炙手可熱的算法，建立深層人工神經網絡進行分析學習，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據挖掘能力，在計算機視覺、自然語言處理、語音識別領域都已經得到了廣泛的應用，使得人工智能相關技術取得了很大進步。

因此，將深度學習技術作為探索和分析器官芯片實驗數據的有力工具，可以有效挖掘海量數據背后所隱含的內在規律，提升器官芯片的智能化水平，并激發其在藥物開發、疾病建模和個性化醫療方面的巨大潛力（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域的研究進展。

1.微流控技術和以其為技術支撐的器官芯片裝置。與傳統疾病模型進行對比后，可直觀地發現器官芯片的特性與優勢。目前限制了器官芯片的發展瓶頸之一是：高通量的實驗平臺帶來了巨量數據和人為的實驗誤差。

2. 系統地講述了深度學習算法的發展歷程，并在其中穿插講解了算法原理及一些經典的實現深度學習的神經網絡模型。

3. 對目前各種適用于器官芯片，或已經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。本文以應用場景的不同、器官芯片設備的升級、深度學習算法的復雜度為分類依據，循序漸進地對相關應用進行了介紹，有助于對不同應用之間進行對比分析。通過目標任務（預測、到目標識別、到圖像分割、到跟蹤）的實現難度，對已有的基于深度學習的器官芯片應用進行分類（圖2）。

圖2 交叉應用的總結分類

4. 從細胞器的識別與監測、微流控細胞培養系統的自動化與智能化、藥物開發、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，為這一新型交叉應用的未來發展方向進行展望。

審核編輯 ：李倩