如何在海量发育早期的胚胎中，精准地“预知”哪些能成长为优质的囊胚，是提高猪等大动物繁殖效率和生物技术应用成功率的关键瓶颈。传统上，这项任务高度依赖胚胎学家的经验和肉眼观察，但猪胚胎富含脂滴，看起来“黑乎乎”的，透明度极低，使得基于显微镜图像的形态评估变得异常困难，主观性强且效率低下。时间差成像（TLI）技术虽然能实现连续监测，但在改善临床妊娠率等关键指标上效果有限。为了突破这些难题，研究人员希望借助人工智能（AI）的力量，开发一种客观、自动化的早期胚胎评估工具。
为此，中国科学院动物研究所等单位的研究团队在《Theriogenology》上发表了一项研究。他们建立了一个创新的微滴培养系统，这个系统不仅支持猪孤雌激活（PA）胚胎的正常发育，还能确保胚胎位置稳定，从而获得高质量、可追踪的明场图像。基于此系统，他们收集了从1细胞期到囊胚期共10,041张单个猪胚胎的图像，并手工标注了其最终的发育结局。利用这个大型数据集，他们系统地训练和评估了十种前沿的卷积神经网络（CNN）和Transformer模型，旨在找出能最早、最准地预测胚胎能否发育成囊胚的“AI伯乐”。
关键技术方法
研究主要采用了以下几种关键技术方法：首先，建立了一种新型的微滴培养系统（2 μL微滴，每滴15枚胚胎），用于稳定培养和连续追踪单个猪孤雌激活胚胎。其次，开发了一套人机集成的胚胎图像裁剪与标注流水线，用于处理和标注大规模胚胎图像数据集。最后，利用该数据集，对Swin、ViT、ConvNeXt、EfficientNetV2、MaxViT_T等十种深度学习模型进行了系统的训练、评估与比较，以筛选最优预测模型。研究所用猪卵母细胞来源于当地屠宰场。
研究结果
1、 Comparison of Micro-Droplet and Conventional 4-well Culture Systems
研究人员比较了新型微滴系统与传统4孔板培养系统的效果。结果发现，在微滴系统中，单个胚胎的位置在多天培养期内保持高度稳定，这为连续、高分辨率的追踪提供了可能。更重要的是，该系统的胚胎发育能力（卵裂率和囊胚率）与传统4孔板方法相当，证明其既能支持正常发育，又能提供稳定的成像平台。
2、Embryo Culture and Image Acquisition for Deep Learning Analysis
通过人机集成的胚胎标注系统，研究者从21,000枚胚胎中，经过裁剪和筛选，最终获得了10,041张从1细胞期到囊胚期的高质量图像用于AI训练和测试。对终点图像的分析显示，囊胚率为28.3%，其中A、B、C级囊胚分别占4.63%、6.45%和17.25%。
3、Prediction of Embryo Development Potential by Ten AI Models
研究重点评估了在猪合子基因组激活（ZGA）的关键时期——第2天（4细胞期）——各种AI模型的预测能力。在测试的十种模型中，MaxViT_T和RegNet_X_16GF表现突出，训练损失率低（≤20%），训练准确率高（99.3%）。其中，MaxViT_T在验证集上取得了最高的准确率（60.5%），因此被选为后续分析的模型。
4、Significant Improvement in Validation Accuracy by MaxViT_T
随后，研究者使用MaxViT_T模型评估了不同发育阶段（从Day 0 1细胞到Day 6 囊胚）图像的预测效能。结果显示，验证准确率随着胚胎发育而提高：1细胞期最低（56.4%），2细胞期可达63.8%，4细胞期为60.5%，8细胞期达到65.1%。从桑椹胚期开始，准确率进一步提升，囊胚期预测准确率高达94.2%。这表明，基于MaxViT_T的预测能早在2细胞阶段就以超过60%的准确率预测胚胎发育潜能，提供了稳定、自动化的评估工具。
5、Batch differences in blastocyst rates did not affect the prediction results
为了检验模型在不同质量胚胎批次中的稳健性，研究者使用了囊胚率不同（>25%和>30%）的批次图像进行训练和测试。结果显示，MaxViT_T在两组数据中取得了相似的预测准确率（分别为62.5%和61.2%），表明其预测能力不受批次间囊胚率差异的影响，模型具有稳定的泛化能力。
6、Multiple Period Images as Input did not Improve Validation Accuracy
研究者尝试将第0天（MII期）、第1天（2细胞）和第2天（4细胞）的多个时期图像作为联合输入，来预测其发育成不同等级囊胚（A级、A+B级、A+B+C级）的潜能。然而，与使用单时期图像相比，多时期图像输入并未显著提高验证准确率，反而增加了训练损失，表明在此研究中增加更多时期的图像输入并未带来预测性能的提升。
结论与意义
本研究成功构建了一个适用于猪胚胎的、稳定的微滴培养与高分辨率成像平台，并在此基础上建立了大规模、精准的单个猪胚胎图像追踪数据集。通过系统性评估，研究者发现MaxViT_T深度学习模型能够利用早期（特别是2细胞期及以后）的胚胎图像，以超过60%的准确率预测其发育为囊胚的潜能，且该预测能力在不同质量的胚胎批次间保持稳定。尽管当前预测准确率仍有提升空间，但这项工作首次证明了AI技术应用于不透明的猪胚胎早期筛选的可行性，为建立高效、客观的猪胚胎质量自动化评估系统奠定了关键基础。该研究的意义在于，它有望将胚胎学家从繁重、主观的形态评估工作中解放出来，通过早期筛选出高发育潜能的胚胎，为猪的胚胎移植、体细胞核移植（SCNT）克隆及基因编辑猪的制备提供了更高效、低成本的新策略，有助于推动猪生殖生物技术和畜牧业遗传改良的发展。未来的研究可以着眼于优化图像质量、整合多时期动态特征、扩大数据集，并最终通过独立的胚胎移植实验来验证该AI评估系统的实际应用价值。
