Deep Learning und Elektrophysiologie treiben das Organoid-Screening für die Arzneimittelentwicklung voran
Neue Technologien verbessern das Organoid-Screening für die Arzneimittelentwicklung, darunter ein physikinformiertes Deep-Learning-Framework zur Quantifizierung und ein automatisiertes Elektrophysiologiesystem zur funktionellen Analyse.
Zwei aktuelle Entwicklungen zielen darauf ab, die Nutzung patientenstammender Organoiden in der Arzneimittelentwicklung zu beschleunigen: ein physikinformiertes Deep-Learning-Framework zur Quantifizierung von Organoid-Reaktionen und ein automatisiertes System zur Messung lebender elektrophysiologischer Aktivität in 3D-neuralen Kulturen.
Eine in npj Digital Medicine veröffentlichte Studie stellt DICE-2DSeg vor, ein graphverstärktes Framework, das OCT-inspirierte intra-slice-kohärente Verstärkung mit graphbasierter inter-slice-Kontextaggregation kombiniert. An 93 Volumina diverser Krebsarten und Arzneimittel validiert, erreicht die High-Throughput-Variante eine 14-fache Beschleunigung gegenüber nnUNet3D bei Beibehaltung von 93,65 % dessen Genauigkeit. Es etabliert einen neuen State-of-the-Art für arzneimittelreaktive Rückstände zwischen 0 und 100 Mikrometern und bewahrt hohe Treue für Cluster über 100 Mikrometern.
Diagnostic Biochips hat SomaFocus entwickelt, ein automatisiertes System, das ultras-feine Siliziumsonden in intakte Organoiden einführt, um lebende elektrophysiologische Aktivität zu messen. Die Technologie generiert Daten über koordinierte neuronale Feuerung und Netzwerkdynamiken, die oft bei rein strukturellen oder molekularen Assays unsichtbar sind. SomaFocus konzentriert sich primär auf Gehirn-Organoide, Sphäroide und Assembloide, funktioniert aber auch mit Darm-, Retina- und Hautorganoiden.
Organoide sind genetisch programmierbare Modelle, die wesentliche Merkmale von Patientengeweben erhalten und Möglichkeiten für Krankheitsmodellierung, Zielvalidierung, Biomarkerentdeckung und therapeutische Evaluation bieten. Herausforderungen bleiben jedoch, darunter Variabilität zwischen Organoiden, Reifegrad und die Notwendigkeit besserer funktionsbasierter Readouts.
Die Arbeit zu DICE-2DSeg wurde durch mehrere chinesische Forschungsprogramme unterstützt und nutzte Organoid-Proben und Rechenressourcen von Regenovo Ltd. Das SomaFocus-System ist auf die Automatisierungsbedürfnisse von Arzneimittelentwicklungspipelines ausgelegt.