Digital twins of ex vivo human lungs enable accurate and personalized evaluation of therapeutic efficacy

《Nature Biotechnology》：Digital twins of ex vivo human lungs enable accurate and personalized evaluation of therapeutic efficacy

　　

数字孪生（Digital twins, DTs）是医疗保健领域的一个新兴概念，旨在整合分子、生理、功能和临床数据，以创建细胞、器官和个体等生物系统的计算模型。然而，缺乏大规模多模态数据集迄今为止阻碍了医学领域全面数字孪生的实现。离体肺灌注（Ex vivo lung perfusion, EVLP）允许在生理条件下研究人体外的肺，并从成像、生理监测及分子分析中生成多模态数据。在此，研究人员报告了基于已知最大的临床EVLP数据集开发的肺数字孪生模型。研究表明，该数字孪生框架能够精确模拟超过75项涵盖肺生理学、生物化学、放射学、转录组学、代谢组学和蛋白质组学的参数。此外，通过与阿替普酶（alteplase）治疗的EVLP肺实验数据的直接比较证明，数字孪生能够精确评估治疗效果。这些结果共同确立了利用EVLP开发的人肺数字孪生作为一种数据丰富的方法，以改善治疗效果的评估。

论文解读：基于离体肺灌注的人肺数字孪生模型构建及治疗疗效精准评估

研究背景与立项依据

数字孪生（Digital Twins, DTs）作为工程领域的成熟概念，旨在通过整合多尺度数据构建物理对象的虚拟映射。尽管在医疗健康领域潜力巨大，但由于缺乏大规模、多模态的生物医学数据集，目前医学中的数字孪生多局限于单一尺度的预后模型，尚未实现跨越细胞至临床层面的高保真综合模型。离体器官灌注系统的发展为解决这一瓶颈提供了契机。其中，离体肺灌注（Ex vivo lung perfusion, EVLP）技术能够在37°C生理温度下维持孤立人肺的功能，使其“呼吸”并进行气体交换，同时收集从分子到器官功能的多模态数据。本研究旨在利用EVLP平台产生的最大临床数据集，构建高保真的离体人肺数字孪生模型，验证其在预测肺生理功能及评估药物治疗效果方面的能力，相关成果发表于《Nature Biotechnology》。

关键技术方法概述

本研究采用混合物理信息与机器学习（Machine Learning, ML）架构构建数字孪生模型。研究人员利用了包含951例孤立肺评估的临床EVLP数据集，并纳入了45例独立临床病例作为测试集。数据采集涵盖生理监测（高频通气波形）、生化分析、影像学（X射线）、转录组学（microarray）及蛋白质组学（ELISA）。模型构建方面，结合了基于物理原理的计算（如利用呼吸机压力-流量数据推导动态顺应性）与数据驱动的算法（如门控循环单元GRU、XGBoost、卷积神经网络CNN）。通过将静态（基于基线预测未来）与动态（基于实时数据重校准）两种数字孪生策略相结合，研究人员实现了对肺功能的精准预测，并利用阿替普酶（alteplase）治疗案例验证了其在个性化疗效评估中的应用价值。

研究结果

人肺数字孪生模型的构建特征

研究纳入了951例用于移植适用性评估的离体肺，涵盖了生理、生化、omics及影像等多模态数据。这些肺平均年龄为46岁，主要死因为缺氧（40%）或脑血管意外（32%）。

人肺数字孪生准确预测人肺功能

• •
  肺生理学：结合物理计算与GRU模型，数字孪生准确预测了13项生理参数，包括动态顺应性、气道压及呼气潮气量等。平均绝对百分比误差（MAPE）在2%-11%之间。动态数字孪生在所有生理参数预测中表现出相似或更优的准确性。
• •
  肺生物化学：静态和动态数字孪生均能准确预测7项生化指标（如钠、钾、pH值），动态模型显著改善了酸碱平衡预测的MAPE（pH从0.85%提升至0.46%）。
• •
  肺组学：
  • •
    代谢组学生物标志物：葡萄糖和乳酸水平的预测误差分别在0.3-0.5 mM和0.5-0.9 mM范围内。
  • •
    转录组学：利用基线活检数据，数字孪生成功预测了EVLP后的转录组变化，特别是在肺疾病相关通路（如TGFβ信号通路、缺氧通路、p53通路）的基因富集评分预测中，MAPE低至1%-3%，且在识别基因集富集的时间变化方向上准确率高达79%-100%。
  • •
    蛋白质组学生物标志物：动态模型预测IL-6、IL-8等炎症蛋白浓度的中位MAPE约为22%-37%。
• •
  肺成像：利用CNN提取X射线图像的主成分（Principal Components, PCs），XGBoost模型准确模拟了第三小时的影像特征，且与临床影像学发现（如实变、浸润）具有强相关性。

人肺数字孪生的基准性能验证

通过单样本t检验证实，数字孪生的预测误差无系统性偏差。与传统对照组相比，数字孪生的绝对误差低于经验对照组的变异系数（%CV），显示出比传统小样本队列更高的精度和稳健性。

模型验证

在基于k近邻（k-Nearest Neighbor, KNN）生成的50例模拟肺队列和45例独立临床测试集中，数字孪生的表现与训练阶段一致，证明了模型的良好校准、鲁棒性和泛化能力。研究人员还开发了基于Web的应用程序以推动临床应用。

人肺数字孪生评估治疗疗效与安全性

研究选取阿替普酶作为案例。利用数字孪生模拟未接受治疗的反事实结果，从而量化个体化治疗效果。结果显示，对于适合移植的肺，数字孪生分析揭示了治疗后2小时肺动脉压（Pulmonary Arterial Pressure, PAP）显著降低（P=0.031），且未引起肺水肿恶化，证实了疗效与安全性。相比之下，传统的队列分析法未能检测到显著差异。这表明数字孪生作为“虚拟自身对照”，能有效克服传统对照组的个体差异噪声，显著提高统计效力。

讨论与结论总结

本研究证明，EVLP平台生成的数据可用于构建人肺的数字孪生模型，该模型涵盖了全球最大的离体肺功能数据集。这种混合物理-ML框架整合了物理方程与高频传感器数据，提供了可解释的呼吸功能表征。与以往仅关注单一指标的医疗数字孪生相比，本研究提出的模型更为全面。EVLP的优势在于能够无创性地收集大量生物样本和高频数据，且实时监测能力为模型提供了丰富的输入。

在治疗评估方面，传统临床研究依赖外部对照组，受限于样本量小和受试者间变异性大。而本研究展示的数字孪生方法允许对同一器官进行“如果-怎样”（what-if）的模拟，将治疗组与自身的虚拟对照进行比较，从而将样本量需求降低了三倍（仅需6例即可达到传统方法18例的统计效能）。这不仅加速了药物研发进程，也为精准医疗提供了工具。

尽管本研究聚焦于健康肺，但该框架可扩展至特发性肺纤维化（IPF）等疾病模型。局限性包括部分组学样本量较小、目前预测时长限制在EVLP的前3小时等。未来的工作应探索更长时间跨度的预测、整合Functional Mock-up Interface标准以增强互操作性，并结合多器官离体系统进一步模拟人体复杂的相互作用。总之，该研究为开发其他离体人类器官的数字孪生提供了完整的流程范本。