《Advanced Science》：Deep Learning-Powered Scalable Cancer Organ Chip for Cancer Precision Medicine
编辑推荐：
本文推荐一款创新型可扩展癌症器官芯片（OC）平台，该平台采用全热塑性注塑成型技术，通过专利通道设计实现无屏障水凝胶约束，支持组织特异性细胞外基质（ECM）共培养与多模式灌注。结合深度学习驱动的明场图像荧光预测技术，可实现无标记纵向表型分析，为高通量药物敏感性测试（IC50、AUC量化）提供临床相关性更高的功能精准肿瘤学解决方案。
1 引言
功能精准肿瘤学通过直接检测患者来源模型对治疗方案的反应，成为基因组方法的重要补充。然而现有技术如患者来源异种移植模型（PDX）和患者来源类器官（PDO）面临标准化不足、成本高、周期长及肿瘤微环境（TME）模拟不完整等挑战。器官芯片（OC）技术通过微加工策略模拟人体组织功能，但传统设计存在结构复杂、成本高昂等问题。本研究提出一种基于热塑性注塑成型的新型OC平台，通过毛细管钉扎效应实现无膜无微柱的水凝胶约束，并整合深度学习图像转换模型，为癌症精准医疗提供高通量解决方案。
2 结果
2.1 可扩展OC-Plex器件的开发
OC-Plex平台采用聚苯乙烯（PS）注塑成型，每个芯片包含凝胶通道与灌注通道，通过几何扩张界面与表面功能化实现水凝胶的自主约束（成功率>90%）。该设计支持胶原蛋白I（col-1）与基质胶（BME）等多种基质，可形成氧分压梯度并与人脐静脉内皮细胞（HUVEC）共培养血管化结构。四芯片模块化组合（OC-Plex 32）兼容自动化操作系统，重力驱动或泵控灌注模式灵活适配。
2.2 OC-Plex支持癌细胞生长与药物敏感性测试
以胰腺癌BxPC-3细胞为例，单细胞嵌入胶原蛋白I后8天内形成聚集体，活死染色显示高存活率。通过明场图像Z轴投影与特征提取（如聚集体比例、面积），建立纵向生长量化流程。药物测试中，吉西他滨、吉非替尼和奥希替尼的剂量反应曲线通过成像指标（标准化活细胞面积、活死细胞面积比）与CellTiter-Glo（CTG）ATP检测对比，显示成像数据变异更小且灵敏度更高。 caspase-3/7联合染色可进一步提升药物响应检测灵敏度。
2.3 癌细胞药物敏感性分析
比较短期（1天）与长期（6–7天）培养模型发现，三维芯片培养的癌细胞对药物敏感性普遍低于二维培养，且长期培养后耐药性增强。在肺癌A549、结肠癌HCT116/HT-29模型中，成像读值较CTG显示出更优的数据稳定性。自动化液体处理系统可缩短70%操作时间，证明平台的高通量潜力。
2.4 患者来源细胞的药物测试
利用肺鳞癌（LUSC）患者原代细胞验证临床相关性。芯片模型中培美曲塞无效的结果与临床指南（该药不适用于鳞癌）一致，而二维培养呈现假阳性。此外，胃癌类器官与外周血单核细胞（PBMC）共培养模型中，PD-1抑制剂信迪利单抗呈现剂量依赖性杀伤效应，证明平台可模拟免疫治疗响应。
2.5 深度学习驱动的无标记表型分析
采用U-net架构卷积神经网络，将明场（BF）图像转换为荧光等效图像（DAPI/TRITC通道）。模型预测特征（总强度、总面积）与真实荧光图像相关性达0.89–0.92。通过基线标准化（第6天至第8天变化量）分析药物反应，显著提升检测灵敏度，并可校正染色不均问题，实现纵向动态监测。
3 讨论
OC-Plex平台通过无屏障设计克服了传统芯片的复杂性限制，其热塑性材料降低小分子吸附风险。患者来源模型与临床反应的一致性（如培美曲塞对鳞癌无效）凸显其临床转化价值。深度学习辅助的无标记成像突破了荧光显微镜的时空限制，为高通量药物筛选提供动态分析工具。未来需扩大患者队列并整合更多TME组分以进一步提升预测准确性。
4 材料与方法
芯片通过注塑与热键合工艺制造，表面经聚乙二醇（PEG）功能化。细胞培养采用胶原蛋白I或BME基质，药物处理时长48–144小时。成像通过自动化显微镜获取Z轴栈图，深度学习模型训练采用均方误差损失函数，特征提取基于Otsu阈值分割。统计学分析使用GraphPad Prism 9.0，显著性阈值*p< 0.05。
