AI赋能无标记监测TGFβ1诱导的iPSC来源肺泡类器官重塑

《Materials Today Bio》：AI-enabled label free monitoring of TGFβ1-induced remodeling in iPSC-derived alveolar organoids

　　

肺纤维化（Pulmonary fibrosis, PF）是一种预后不良且治疗选择有限的进行性间质性肺病，这在很大程度上归因于缺乏生理相关且可动态追踪的临床前模型。在此，研究人员建立了一种诱导多能干细胞（induced pluripotent stem cell, iPSC）来源的肺泡类器官（alveolar organoid, AO）平台，该平台在TGFβ1刺激下能忠实地重现PF样重塑。该类器官表现出向远端肺上皮（NKX2.1, SFTPC/SFTPB）的谱系定向，并在TGFβ1暴露后经历标志性的纤维化改变，包括类器官凝聚和体积缩小、胶原沉积（Masson’s trichrome）、肌成纤维细胞活化（α-SMA）、促纤维化基因（COL1A1, FN, VIM, ACTA2）上调以及部分EMT样重编程（↑CDH2, TWIST1, 和 ↓CDH1）。为了实现无标记、纵向读数，研究人员整合了一个深度神经网络（YOLOv8-nano），可直接从明场图像中检测细微的形态学线索，并以高保真度分类处理状态。在增强数据集（8,892张图像）中，该模型在原始保留背景的图像上取得了强劲的性能（mAP50–95高达0.95；高精度/召回率和98–99%的真阳性率），支持对对照与TGFβ1处理的类器官进行稳健区分。这种AI增强的类器官系统提供了一个定量、无标记的平台用于监测纤维化重塑，并为临床前抗纤维化筛选和作用机制研究提供了可扩展的基础。

AI赋能无标记监测TGFβ1诱导的iPSC来源肺泡类器官重塑研究解读

研究背景与立项依据

肺纤维化（Pulmonary fibrosis, PF）是一种严重的呼吸系统疾病，其特征是肺功能的进行性和不可逆性恶化，主要源于细胞外基质过度积累、组织广泛重塑及上皮间质转化（Epithelial-Mesenchymal Transition, EMT）。目前，PF的治疗面临巨大挑战，部分原因是缺乏能够准确模拟体内复杂生物过程的体外模型。传统的二维（2D）细胞培养难以复现肺泡的三维结构，而现有的类器官分析通常依赖于染色等侵入性手段，不仅破坏样本结构，且仅能提供静态信息，限制了动态、纵向的观察。因此，开发既能维持肺泡生理结构又支持无标记、实时监测的新型模型成为迫切需求。为此，研究人员在《Materials Today Bio》发表了相关研究，旨在通过结合诱导多能干细胞（iPSC）技术与先进的人工智能（AI）图像分析，构建新一代肺纤维化研究平台。

关键技术方法概述

研究人员采用了人iPSC（C3细胞系，源自韩国生命工学研究院KRIBB）分化构建肺泡类器官（AO），并通过TGFβ1诱导其纤维化。核心技术包括：利用YOLOv8-nano深度神经网络处理明场显微图像，实现无标记分类；通过RT-qPCR分析纤维化相关基因表达；采用Masson’s trichrome染色及免疫荧光（Immunofluorescence, IF）检测胶原沉积与α-SMA表达；利用流式细胞术验证细胞表型；并通过数据增强技术扩充数据集至8,892张图像以训练AI模型。

研究结果详述

3.1 从hiPSCs生成NKX2.1⁺SFTPC⁺肺泡类器官（AOs）

研究人员通过25天分化方案成功从hiPSCs生成AOs。形态学观察显示，细胞在第14天解离后聚集形成球体，至第21-25天发育出强健的膜结构和透明空间，类似肺泡结构。分子表征证实，类器官高表达远端肺上皮标志物NKX2.1、SFTPC、SFTPB以及AEC1标志物AGER和HOPX，且SOX2（多能性标记）表达降低。流式细胞术分析显示约47.6%的细胞为SFTPC⁺RAGE^-，30.4%为SFTPC⁺RAGE⁺双阳性，表明成功构建了包含AEC1和AEC2表型的肺泡类器官模型。

3.2 TGFβ1诱导的形态学及结构变化

利用TGFβ1处理AOs以模拟纤维化环境。结果显示，处理后类器官体积显著减小，结构变得致密、浑浊，失去了健康肺泡类器官薄鳞状上皮排列的特征，呈现出典型的早期纤维化形态学转变。

3.3 纤维化重塑与肌成纤维细胞活化

组织学评估揭示了显著的纤维化特征。Masson’s trichrome染色显示TGFβ1处理组胶原沉积显著增加。免疫荧光分析进一步证实，肌成纤维细胞标记物α-SMA在TGFβ1处理组中表达强烈上调，而对照组几乎检测不到，表明TGFβ1有效诱导了肌成纤维细胞的活化与纤维化发生。

3.4 AOs中肺纤维化样重塑的分子指标

RT-qPCR分析提供了分子层面的证据。TGFβ1处理后，促纤维化基因COL1A1、FN、VIM和ACTA2显著上调。同时，EMT相关标记物发生改变：N-钙粘蛋白（CDH2）和TWIST1上调，而上皮标记物E-钙粘蛋白（CDH1）下调，证实了TGFβ1诱导了部分EMT样重编程。

3.5 用于AO图像分类的深度神经网络开发

研究人员开发了基于YOLOv8-nano的DNN模型。通过对原始图像进行尺寸调整、提取细胞区域及定义感兴趣区域（ROI），并利用翻转、旋转、裁剪和剪切等数据增强技术，将数据集扩展至8,892张图像。模型被训练用于区分“对照（CTL）”和“TGFβ1处理”两类图像。

3.6 利用深度学习增强AO分析：整合图像背景与鲁棒训练以实现精确纤维化检测

模型性能评估显示，使用保留背景的原始图像数据集训练效果最佳，mAP50-95高达0.95。混淆矩阵分析表明，该模型对CTL和TGFβ1处理样本的真阳性率分别达到98%和99%。这表明背景信息有助于神经网络对复杂图像进行上下文识别和分类，证明了AI模型能够从明场图像中高精度地识别TGFβ1诱导的细微形态学变化。

结论与讨论总结

本研究成功建立了由iPSC衍生的肺泡类器官模型，并通过TGFβ1刺激再现了肺纤维化的关键病理特征，包括形态学改变、胶原沉积、肌成纤维细胞活化及EMT样转化。研究的一大创新在于整合了YOLOv8-nano深度学习算法，实现了对类器官状态的“无标记、纵向”监测，克服了传统染色方法的破坏性限制。该AI增强系统不仅在区分对照组与纤维化模型方面表现出色（mAP50-95达0.95），还为临床前抗纤维化药物的筛选和作用机制研究提供了一个可量化、可扩展的高效平台。这项工作确立了结合先进类器官技术与AI图像分析在再生医学和药物发现领域的基准，有望加速从实验室研究到临床应用的转化进程。