综述：数字肿瘤类器官在精准医学中的应用

本文聚焦数字肿瘤类器官（PDO），阐述其在精准医学中的应用、挑战与前景，极具科研价值。

引言

精准医学是一种高度定制化的医学模式，它借助先进的基因组学技术，分析个体独特的遗传特征与差异，同时综合考虑患者的临床状况、环境因素、个人习惯和生活方式等多维信息，以制定全面有效的治疗方案，从传统经验医学迈向数据驱动的精准决策，成为当代医学研究热点。临床试验表明，精准医学能通过基因组联合转录组或联合疗法，提升治疗效果与患者预后。

类器官在精准医学研究中潜力巨大，它能精准模拟体内组织器官的结构与功能，保留原始组织细胞的遗传信息和微环境特征，在一定程度上重现疾病发生发展机制，有助于探索和优化针对特定患者的治疗方案。肿瘤类器官通常是源自患者肿瘤细胞的三维（3D）体外肿瘤模型，包含多种细胞谱系，能较好地保留原发性肿瘤的异质性和复杂性，模拟肿瘤的增殖、侵袭和转移等生物学行为，且 3D 生长环境维持了原发性肿瘤突变的稳定性，利于深入研究肿瘤发病机制、探索有效治疗方法和评估药物疗效。

数字分析方法在类器官研究中应用日益广泛，高通量测序、图像处理、生物信息学、人工智能（AI）等技术，可全面表征和分析肿瘤类器官，助力阐释肿瘤发病机制、识别治疗靶点。如单细胞测序技术能获取肿瘤类器官的基因组信息，图像处理技术和 AI 算法可用于肿瘤类器官的形态分析，生物信息学方法则能整合多组学数据，为精准治疗策略的制定提供支持，也为肿瘤类器官在精准医学中的应用提供了技术保障。

肿瘤类器官概述

与现有临床前模型的比较

目前肿瘤学研究常用的临床前模型包括二维（2D）细胞培养系、患者来源的肿瘤异种移植模型（PDXs）和患者来源的肿瘤类器官（PDOs）。2D 细胞培养系建模方法成熟、使用方便，在肿瘤机制研究、高通量药物筛选和大规模组织学研究中贡献重要，但它难以重现肿瘤的体内真实状态及其与微环境的相互作用，存在遗传漂变，影响治疗反应预测的准确性。PDX 模型通过将患者肿瘤组织移植到免疫缺陷小鼠中，维持了肿瘤异质性和肿瘤 - 基质相互作用，但移植的肿瘤微环境易受小鼠细胞替代，缺乏正常免疫微环境，且操作复杂、成功率低、基因编辑困难，尚未应用于临床。

肿瘤类器官融合了 2D 细胞培养和 PDX 模型的优势，克服了二者的局限性。它能高度复制患者肿瘤的遗传和组织学特征，保留肿瘤异质性，在精准医学应用中潜力巨大。例如，PDO 可用于药物筛选和安全性测试，为患者量身定制治疗方案，提高生存率和生活质量。同时，正常组织来源的类器官经基因编辑可用于肿瘤发生建模和相关组学研究。

培养方法

培养肿瘤类器官首先需获取患者肿瘤组织或细胞，来源包括手术切除、穿刺活检或循环肿瘤细胞，应选择活性高、无污染且富含肿瘤细胞的样本。获取组织后，需进行清洗、切碎，并通过酶消化或机械分离释放肿瘤细胞，随后进行细胞计数和活力检测，确保细胞活力和纯度符合培养要求。

培养基是肿瘤类器官培养的关键因素之一，需提供细胞生长所需的营养物质，如氨基酸、糖类、维生素和矿物质等，还需根据肿瘤类型添加特定的生长因子、激素和细胞外基质（ECM）成分，以模拟肿瘤生长的体内环境，促进肿瘤类器官的形成。传统 PDO 培养中常用的 ECM 成分 Matrigel 是动物来源且成分不明的替代品，可能影响细胞活性和 PDO 的可重复性。因此，研究人员开发了多种 3D 支架，如天然材料制成的胶原蛋白和明胶支架，具有良好的组织相容性，但机械性能较差；合成材料制成的聚乳酸和聚己内酯支架，理化性质可控，可提高 PDO 的可重复性。此外，生物打印技术可精确控制细胞和 ECM 的空间分布，更好地模拟体内肿瘤组织结构，但成本较高。

在培养过程中，需通过显微镜观察、流式细胞术和代谢组学分析等方法，定期监测细胞的生长、形态变化和代谢活性，还可利用高通量测序等多组学方法评估肿瘤类器官的基因表达和蛋白质组成，以验证其是否成功模拟体内肿瘤组织，并据此调整培养条件和处理方法。目前，PDO 技术仍处于发展初期，在肿瘤微环境和血管系统模拟方面有待改进，同时存在患者肿瘤组织 / 细胞获取困难、培养方案缺乏标准化、使用动物源性底物和血清导致类器官可重复性和可控性差等问题。

肿瘤类器官的特征

肿瘤类器官的特征包括与亲本肿瘤相似的组织学和表型 / 基因型特征。更精确的生理建模使类器官能够复制体内存在的肿瘤内和肿瘤间异质性，这对于研究癌症发展过程和发现新的治疗靶点至关重要，且类器官捕获亚克隆群体的能力可能更有助于预测患者对治疗的反应。

与亲本肿瘤相似的组织学特征

前列腺癌类器官系和肿瘤异种移植物在组织病理学特征上与亲本肿瘤高度相似，从骨髓转移瘤细胞建立的类器官在移植到免疫缺陷小鼠后，仍保留与体外类器官相同的组织学和免疫学特征。此外，基于胶质母细胞瘤、原发性肝癌、食管腺癌、膀胱癌和胃癌等的 PDO 也保留了亲本肿瘤的组织病理学特征和相应功能，且移植后能保留亲本肿瘤的生长和转移能力。相比之下，癌细胞系由于缺乏 ECM，其组织病理学特征与亲本肿瘤差异明显，这凸显了 PDO 在癌症研究中的优势和应用潜力。

与亲本肿瘤相似的表型和基因型特征

肿瘤细胞的不同亚群表现出肿瘤内异质性，这是肿瘤细胞区别于正常细胞的重要特征，而基因型和表型异质性是评估肿瘤内异质性和分类肿瘤亚型的主要指标。PDO 比肿瘤细胞系更能有效保留亲本肿瘤的异质性，如乳腺癌类器官模型在组织病理学、激素受体和 HER2 方面与亲本肿瘤保持一致，且传代后能在很大程度上保留亲本肿瘤的 DNA 拷贝数；结直肠癌（CRC）患者的 PDO 与亲本肿瘤在体细胞突变上相似度高达 90%，DNA 拷贝数谱的相关性高达 0.89。PDO 对亲本肿瘤表型和遗传特征的呈现，有助于预测新的治疗靶点和探索现有药物的耐药机制。

数字技术在 PDO 中的应用

多组学技术

在肿瘤类器官研究中，多组学数据涵盖基因组学、转录组学、蛋白质组学、代谢组学等多个层面，为研究肿瘤类器官提供了全面视角。多组学技术可分析肿瘤类器官的基因表达谱，验证 PDO 是否准确概括亲本肿瘤的特征。例如，通过全外显子测序可揭示 CRC 驱动基因的体细胞变异情况，RNA 测序可鉴定出差异表达转录本，结合磷酸蛋白质组学可进一步验证相关通路。多组学技术在 PDO 药物筛选中也发挥着重要作用，可通过分析不同肿瘤类器官对药物的敏感性，结合组学数据，识别新的生物标志物，为精准医学提供思路。

单细胞测序技术（SCS）的出现弥补了传统全基因组测序无法揭示单细胞基因组变异的不足，它能对单个细胞的基因组、转录组和表观基因组进行测序，进一步阐明肿瘤异质性和详细遗传信息。如 CRC 类器官在单细胞水平上表现出不同的特征和药物反应，通过 SCS 可识别卵巢癌类器官中的不同细胞亚群，研究肿瘤细胞的耐药机制和转移过程。

多组学数据具有高通量、高维度和异质性的特点，在数据整合前需进行一系列预处理步骤，包括基因组和转录组数据的质量控制、序列比对、变异检测，以及蛋白质组学和代谢组学数据的峰检测、比对、物质鉴定和标准化等。生物信息学在多组学数据整合中发挥关键作用，通过构建网络模型揭示分子相互作用，为癌症研究提供新的视角和潜在的诊断治疗靶点。随着测序技术的发展，引入 AI 可增强对大量组织学数据的系统分析能力。

AI

AI 是研究和开发模拟、延伸人类智能的理论、方法、技术和应用系统的学科，其核心领域机器学习（ML）通过数据训练算法识别模式并进行预测。肿瘤类器官培养过程中产生大量多维原始数据，AI 能更全面、快速、有效地进行分析。

ML 主要包括监督学习、无监督学习和强化学习。目前 ML 在 PDO 中的应用主要集中在分析类器官图像，通过训练算法识别和量化细胞特征，可提高分析速度和准确性，实现对类器官的自动量化和跟踪，避免手动筛选的复杂性和误差。例如，开发的高通量成像分析平台可对与免疫细胞共培养的类器官进行识别、分类和高通量参数分析，基于深度学习的方法可有效检测和动态跟踪类器官。

深度学习是 ML 的一个分支，受人类神经网络结构和功能的启发，通过建立多层复杂网络结构，能更灵活地处理图像等非结构化数据。在肿瘤类器官形态分析中，深度学习技术可识别和提取图像关键特征，如卷积神经网络（CNN）可基于 3D 培养环境中的类器官明场图像，定位和量化类器官，确定其形态、分布和生长特征，还可模拟肿瘤类器官的生长过程，优化培养参数和条件。

尽管 ML 和深度学习在 PDO 研究中表现出色，但仍面临一些问题。如对数据的数量和质量要求较高，PDO 训练过程的非标准化、数据来源和格式的不一致性，影响模型的准确性、重复性和泛化能力；现有研究对 AI 模型的解释不足，计算资源需求高，应用成本难以控制，且存在伦理和法律问题。但 AI 在类器官培养、表征、组学数据挖掘和高通量图像分析等方面仍具有广阔的应用前景。

显微成像技术

显微成像技术是观察和分析肿瘤类器官形态的基础，传统的光学显微镜和电子显微镜在分辨率、对比度和成像深度方面存在一定局限性。近年来，荧光显微镜、共聚焦显微镜和超分辨率显微镜等技术的发展，使得获取高分辨率、多层次的肿瘤类器官图像成为可能。这些技术不仅提高了图像的清晰度和对比度，还能对特定细胞结构和分子进行标记和跟踪，有助于深入研究肿瘤类器官的形态特征。例如，通过自制的果糖 - 甘油透明质酸使抗体穿透类器官细胞并结合细胞内蛋白质，再选择合适的显微镜进行拍摄，可实现对肿瘤类器官的 3D 成像和标记物定量分析。

体内成像技术可实时观察肿瘤类器官的生长和动态变化，结合不同荧光标记和成像技术，能揭示肿瘤细胞相互作用、血管生成和药物反应等关键生物学过程。在定量分析方面，基于图像处理的提取方法可自动测量和计算肿瘤类器官的关键形态参数，如细胞大小、形状和核质比等，这些参数与肿瘤恶性程度和侵袭能力密切相关，可用于评估治疗效果和预测疾病进展。光学代谢成像（OMI）作为一种无标记评估技术，利用代谢辅酶 NAD (P) H 和 FAD 的自发荧光定量类器官中所有细胞的治疗反应，具有非侵入性的优点。将这些定量分析方法与深度学习技术相结合，可实现大规模成像数据的自动处理和分析，为高通量筛选和精准医学提供有力支持。

数字肿瘤类器官与精准医学的融合

个体化肿瘤模型的构建

个体化肿瘤模型的构建对准确诊断肿瘤至关重要。ML、多组学和显微成像技术在肿瘤类器官模型的构建和表征中协同发挥作用。显微成像提供高分辨率图像，ML 识别和分割类器官，跟踪其生长过程和速度，多组学技术从分子层面探索肿瘤类器官的生物学特征，评估其与亲本肿瘤的相似性。例如，结合高吞吐量成像深度学习和数学建模分析结肠癌细胞类器官的生长动力学，发现其生长动力学存在显著异质性，这为预测治疗反应和耐药性提供了研究基础。同时，ML 还可优化 3D 支架设计，分析其对细胞行为的影响，提高类器官模型与亲本肿瘤的相似性。通过对肿瘤类器官进行多维表征和评估，可确定其亚型，为后续分析基因差异表达提供支持，从而为精准医学和癌症研究开辟新途径。

预后评估

肿瘤治疗中，预后评估至关重要。通过分析肿瘤类器官的转录组，可识别潜在的预后生物标志物。如对健康肝脏类器官和原发性肝癌类器官的转录组分析，发现了多个与原发性肝癌预后相关的基因；对结直肠癌类器官的研究，建立了与 5 - 氟尿嘧啶（5 - FU）耐药相关的基因签名和耐药评分模型，可预测结直肠癌患者的生存率，这表明肿瘤类器官在识别预后生物标志物和评估患者预后方面具有巨大潜力，数字技术的应用进一步增强了其作为临床前模型的优势。

治疗敏感性预测

癌症治疗中患者对不同药物的反应存在显著差异，了解患者对特定药物的敏感性对制定精准治疗策略至关重要。构建个体化肿瘤类器官可在体外测试各种候选药物对肿瘤的抑制作用，结合数字方法能提高预测的准确性和效率。例如，通过光场图像和 OMI 评估 PDO 对化疗和放疗的差异反应，可预测肿瘤类器官对 5FU、奥沙利铂及联合治疗的反应，与临床实际反应相符；整合结直肠癌和膀胱癌类器官的药物基因组学数据构建的药物反应预测模型，成功预测了患者的治疗效果，提高了生存率。此外，PDO 还可用于探索现有或新治疗策略的药物敏感性，发现新的治疗靶点和药物作用机制，为精准医学提供有力工具。

在筛选敏感药物时，评估治疗效果的方法至关重要。传统的活力检测和荧光染料检测具有侵入性，无法很好地反映肿瘤内异质性。显微成像技术和 AI 的结合可实现对类器官药物反应的实时、动态、非侵入性监测，如通过训练 ML 线性模型和基于正则化条件对抗网络构建的治疗分析模型，可有效跟踪类器官对药物的动态反应，降低筛选成本和时间，为个性化体外药物测试提供新的可能。

优化联合治疗

联合治疗是癌症治疗的常见策略，但预测不同药物间的相互作用和协同效应具有挑战性。数字肿瘤类器官在优化联合治疗中发挥重要作用，可测试多种药物组合对肿瘤的抑制效果。例如，通过对结直肠癌肿瘤类器官的研究，结合全外显子和转录组测序以及数据分析方法，发现了优化的药物组合，其抑制肿瘤细胞活力的效果优于一线临床药物；分析多种药物组合的富集通路，可明确药物组合的有效性和协同效应，揭示药物相互作用机制，为制定联合治疗方案和开发新疗法提供科学依据。

挑战与可能的解决方案

临床转化中的挑战

多组学数据类型多样、来源广泛且具有异质性，不同测序平台和实验方法产生的数据存在差异，需要标准化和调整。将不同组学平台的数据整合到一个平台进行有效分析和解释也面临挑战。深度学习模型在数据分析中取得成功，但其 “黑箱” 性质限制了可解释性，难以理解模型预测背后的生物学机制。

类器官的培养条件对其发育和特征至关重要，但微小的培养条件变化可能导致类器官差异，影响模型的可靠性和可重复性。类器官的细胞起源和遗传背景多样，需要考虑并建立相应的分类标准。现有类器官模型通常仅包含肿瘤细胞，缺乏免疫细胞、血管内皮细胞和基质细胞等肿瘤微环境细胞，限制了模型的复杂性和预测能力。此外，培养基成分昂贵且难以复制，动物血清的使用可能引入异质成分，影响模型的人特异性，且类器官模型转化为临床应用需要动物模型验证，但动物模型与人类存在差异，结果解释需谨慎。

AI 技术与多组学技术的整合可实现更高效准确的数据分析和预测，但二者存在差异，需要开发新的算法和工具进行有效整合。AI 模型训练和预测结果受数据收集、算法、参数设置等多种因素影响，导致模型重复性差。同时，AI 模型的开发和应用需要大量数据，但数据共享和协作机制不完善，限制了其发展。

临床研究是评估类器官模型有效性和安全性的重要环节，但临床研究设计和实施需严格遵循伦理规范和临床试验标准，以确保研究结果的可靠性和可重复性。临床试验需要大量时间和资金投入，类器官模型用于临床实践还需监管部门批准，然而目前监管部门对类器官模型的批准标准和流程尚不明确，限制了其临床转化。

AI 和类器官模型的建立和应用需要昂贵的设备和试剂，以及专业的技术和知识，这限制了类器官模型的普及和应用。

类器官模型涉及人类组织和细胞，需要考虑伦理问题，如知情同意、隐私保护和数据安全等，需建立健全的伦理规范和监管机制。AI 模型训练需要大量患者数据，存在数据隐私和保护问题，训练数据的偏差可能导致算法偏差和歧视，且 AI 模型预测结果缺乏透明度和可解释性，可能导致严重后果，因此需要明确 AI 模型的责任和问责机制。

可能的解决策略

建立统一的数据收集、处理和分析标准，如使用标准化操作程序、数据共享平台和数据分析最佳实践，实施严格的数据质量控制，确保数据质量和可重复性。开发多组学数据整合平台，将基因组学、转录组学、蛋白质组学和代谢组学数据整合到一个平台，提供更全面的肿瘤特征和预测模型。

开发和推广标准化的类器官培养方法，优化培养基成分、培养条件和细胞接种密度，确保类器官的稳定性和可重复性。建立多细胞共培养系统，包括肿瘤细胞、免疫细胞、血管内皮细胞和基质细胞，更全面地模拟肿瘤微环境。利用器官芯片技术构建更复杂的类器官模型，如将类器官与微流控芯片结合，模拟肿瘤微环境的血流动力学和物质交换。开发可降解、生物相容性好的生物材料作为类器官培养底物，提高其稳定性和可复制性，利用 3D 打印技术精确模拟肿瘤形态和结构。加强跨学科合作，促进 PDO 培养技术的发展。<