深度学习与电生理学工具推动类器官药物筛选
新技术提升了药物开发中的类器官筛选能力，包括一种基于物理学的深度学习定量框架和一种用于功能分析的自动化电生理系统。
两项最新进展旨在加速患者来源类器官在药物发现中的应用：一个用于量化类器官反应的基于物理学的深度学习框架，以及一个用于测量3D神经培养物中活体电生理活动的自动化系统。
发表在《npj Digital Medicine》上的一项研究介绍了 DICE-2DSeg，这是一个图增强框架，将受OCT启发的切片内相干增强与基于图的切片间上下文聚合相结合。在涵盖多种癌症类型和药物的93个数据卷上验证后，其高通量变体实现了比 nnUNet3D 快14倍的速度，同时保留了93.65%的准确率。它为0至100微米之间的药物反应残留物建立了新的技术基准，并对大于100微米的聚集体保持高保真度。
Diagnostic Biochips 开发了 SomaFocus，这是一种自动化系统，可将超细硅探针插入完整的类器官中，以测量活体电生理活动。该技术生成有关协调性神经元放电和网络动态的数据，这些数据通常是纯粹的结构性或分子检测无法观察到的。SomaFocus 主要聚焦于脑类器官、球形体和组装体，但也适用于肠道、视网膜和皮肤类器官。
类器官是可遗传编程的模型，保留了患者组织的关键特征，为疾病建模、靶点验证、生物标志物发现和治疗评估提供了机会。然而，挑战依然存在，包括类器官之间的变异性、成熟状态，以及对更好功能性读数的需求。
DICE-2DSeg 的工作得到了中国多个研究项目的支持，并利用了 Regenovo Ltd. 的类器官样本和计算资源。SomaFocus 系统旨在满足药物发现流水线的自动化需求。