摘要：能否拥有一个微缩版的器官，让细胞在其中像真实组织一样相互交流、构建复杂的三维结构，并让我们随时“深入”其中，以极高的精度观察和量化每一个细胞的形态、位置，甚至它们组成的“社区”结构？这就是类器官（Organoids）的魅力所在——它们是体外培养的3D细胞团，能

引言

能否拥有一个微缩版的器官，让细胞在其中像真实组织一样相互交流、构建复杂的三维结构，并让我们随时“深入”其中，以极高的精度观察和量化每一个细胞的形态、位置，甚至它们组成的“社区”结构？这就是类器官（Organoids）的魅力所在——它们是体外培养的3D细胞团，能够模拟真实器官的功能单元，为研究生命奥秘、探索疾病和开发药物提供了无与伦比的平台。

然而，正当类器官研究如火如荼之际，一个巨大的“瓶颈”也摆在眼前：如何才能高效、准确地分析这些复杂3D结构中细胞的形态变化和空间排列（topology）？传统的二维（2D）分析显然不足，而现有的3D分析方法往往速度慢、门槛高，依赖繁琐的染色和强大的计算资源，难以应对大规模筛选或深入捕捉细胞在3D环境中的细微变化。迫切需要一种“火眼金睛”般的工具，能以前所未有的速度和深度，将活生生的类器官转化为可量化分析的“数字孪生”（digital twin），从而揭示隐藏在三维空间中的细胞行为秘密。

5月14日《Nature Methods》的研究报道“Digitalized organoids: integrated pipeline for high-speed 3D analysis of organoid structures using multilevel segmentation and cellular topology”，正是为解决这一“痛点”量身打造的！研究人员构建了一套创新性的集成化管线（integrated pipeline）和配套的软件3DCellScope，利用人工智能（AI）和图像分析技术，实现了对类器官结构的高速3D分析。这套系统不仅能精准分割细胞核（nuclei）、细胞（cells）和整个类器官（organoid）这三个层级，更能提取丰富的形态学和拓扑学描述符（descriptors），量化细胞在三维空间中的“站位”和“邻里关系”。从经典应激（osmotic stress）下细胞形态的改变，到不同微环境如何塑造细胞“社区”模式，再到在模拟微重力（microgravity）这样的极端条件下发现细胞形态的微妙响应——这项工作展示了这套“数字化类器官”方法的强大能力和广泛潜力，为我们开启了以前所未有的视角探索复杂3D细胞世界的大门。

揭秘“数字化类器官”的魔法

这套系统的核心理念，就是构建一个多层级的3D数字模型。就像剥洋葱一样，它能一层一层地对类器官进行精细的3D分割（segmentation）：从最核心的细胞核（nuclei），到包裹细胞核的细胞本身（cells），再到最外层的整个类器官（organoid）。

整个“数字化”过程可以看作是三个主要步骤：

锁定细胞核心：首先，系统利用人工智能（AI）对经过DNA染色的图像进行分析，识别并提取出每一个细胞核的3D轮廓。这里用到的AI模型是一个经过特殊训练的3D StarDist卷积神经网络（CNN），命名为DeepStar3D。它的训练数据非常关键，是模拟真实世界图像特征生成的，包括不同形状、分辨率和图像质量的细胞核，确保了模型在各种实际实验条件下都能表现出色。

勾勒细胞边界： 接着，以识别出的细胞核轮廓为“种子”（seeds），结合细胞膜或肌动蛋白（actin）等细胞骨架的染色图像，系统使用一种经典的图像处理方法——分水岭算法（seeded grayscale watershed）来分割细胞的边界，获得细胞的3D轮廓。这种方法不需要额外的AI训练，高效且鲁棒。

圈定组织整体：最后，通过对原始图像通道进行微调的阈值处理（thresholding）和形态学数学（morphological mathematics）滤波，系统能够准确地勾勒出整个类器官的外部轮廓。

通过这三个步骤，一个活生生的类器官就被转化成了一个拥有细胞核、细胞和整体三层精细3D分割信息的数字模型。这些分割信息与原始图像数据一起被组织成一个可解释的数据库，为后续的深入分析打下了坚实的基础。而这一切，都集成在名为3DCellScope的用户界面友好的软件中，让科研人员无需复杂的编程或高性能计算，也能轻松操作。

AI火眼金睛：精准定位细胞核心

细胞核是细胞的控制中心，其形态和位置变化往往预示着细胞状态的改变。因此，准确的细胞核3D分割是后续所有分析的基础。DeepStar3D模型的性能直接决定了整个管线的精度。研究团队对DeepStar3D与现有的其他三个基于StarDist的3D AI模型（AnyStar, Cellos, OpSeF）进行了广泛的性能基准测试（benchmark）。

在涵盖四种不同模态（HCT116细胞单层培养、人结肠类器官、TM00099细胞、零重力乳腺癌）的测试数据集中，DeepStar3D在分割准确性指标F1loU50得分上，始终保持领先，要么排名第一，要么排名第二，并取得了总体的最佳排名。具体来说，在HCT116细胞单层和零重力乳腺癌数据集上，DeepStar3D的F1loU50得分均为0.946和0.768，而Cellos在它自己训练的数据集TM00099细胞上达到了0.895，但在其他数据集上表现则相对逊色（HCT116单层0.000，人结肠0.429，零重力球体0.767）。AnyStar在人结肠类器官数据集上表现不错（0.952），但其他数据集表现差异较大（HCT116单层0.900，TM00099细胞0.003，零重力球体0.011）。OpSeF则普遍排名靠后（得分在0.112到0.610之间）。

更值得注意的是，DeepStar3D展现出了卓越的稳健性。它的分割精度（以每细胞核的IoU得分衡量）与图像的信噪比（SNR）和细胞核密度没有显著关联。这意味着即使面对低质量信号或密集排列的细胞核，DeepStar3D依然能够保持稳定的高精度分割，这对于处理真实世界的多样化类器官图像至关重要。

除了高精度，DeepStar3D在处理速度上也优势明显。在对同一未分块（untiled）图像进行推理时，DeepStar3D的推理时间仅为9.5秒（± 0.7 秒），而其他模型则需要15秒（± 0.1 秒）、21.9秒（± 0.1 秒）甚至103秒（± 12 秒）。即使在分块（tiled）图像处理中，DeepStar3D也以33秒（± 5 秒）的速度领先（其他模型分别为41秒± 13 秒、64秒± 1 秒、103秒± 12 秒）。这种显著的时间优势（相比其他CNNs节省20%到70%的时间）以及更小的模型大小（DeepStar3D仅331k权重，而AnyStar为66M，Cellos和OpSeF分别为1.54M和1.55M权重），使得这套方法非常适合大规模的类器官筛选工作，甚至可以在标准笔记本电脑上运行。

基于精准的细胞核分割，细胞分割也达到了高准确度。在对结直肠癌球体进行的质量控制检查中，误分割（mis-segmented）的细胞比例低于8%。这确保了后续细胞层面分析的可靠性。

不止于形：挖掘隐藏的3D信息宝藏

有了多层级的精确3D分割，系统就能自动提取数百个形态学和拓扑学描述符（descriptors）。这些描述符就像是类器官及其内部细胞的“数字身份证”，记录了它们在3D空间中的各种属性和相互关系。

形态学描述符包括：细胞核和细胞的体积（volumes）、伸长率（elongation）、圆度（roundness）、等效椭球直径（equivalent ellipsoid diameters）、边界框大小（bounding box sizes）以及各通道的荧光强度统计（最小值、最大值、平均值、标准差）。这些能告诉我们细胞/细胞核是胖是瘦、是圆是扁、是亮是暗等等。

拓扑学描述符则更加有趣，它们描述了细胞在群体中的“社交网络”：

细胞核位置与密度：计算每个细胞核到类器官边界的距离，以及在用户定义的半径范围内的细胞核数量（局部密度）和它们之间的平均距离。

细胞邻域空间排列： 这是非常创新的部分。系统会围绕每个细胞核，在其邻近细胞核组成的范围内（用户可以指定半径），拟合出一个椭球（ellipsoid）。通过这个拟合椭球的轴长和轴长比，我们可以量化细胞核在其邻域内的空间排列模式。研究团队定义了三种典型的模式：

球形（Sphere）：邻近细胞核均匀分布，对应拟合椭球的长轴、中轴、短轴长度接近，代表各向同性（isotropic）或随机分布的细胞社区。

杆状（Rod）： 邻近细胞核倾向于沿某个方向排列，对应拟合椭球的长轴远大于中轴和短轴，代表细胞呈现某种程度的对齐（alignment）。

盘状（Disk）：邻近细胞核倾向于分布在一个平面上，对应拟合椭球的长轴和中轴接近，远大于短轴，代表细胞形成层状（layer）结构。

这里说的盘状、杆状、球形是描述细胞核在邻域内的“排队”方式，而不是细胞或细胞核本身的形状。

通过这些丰富的描述符，可以对类器官的3D结构进行前所未有的量化分析，深入了解组织发育、细胞分化、对外部刺激的响应等复杂生物学过程中的细胞行为。

沙场点兵：经典应激下的形态“证据”

为了验证这套方法的准确性，研究团队首先将其应用于一个已知会引起形态变化的经典实验：渗透应激（osmotic stress）。渗透应激可以模拟局部微环境变硬等机械载荷（mechanical loading）。他们对HCT116癌细胞球体施加了高渗（hypertonic）处理，并与等渗（isotonic）对照组进行比较。

结果符合预期，并且得到了精确的定量支持。

细胞圆度增加：在高渗条件下，细胞球体内的细胞展现出更高的圆度。通过绘图过滤，在高渗组中，进入“高圆度”门控（gate）的细胞百分比比等渗组增加了15%。系统还能通过图像反馈直接显示这些高圆度的细胞，它们主要集中在球体的核心区域，这表明渗透应激的影响能够穿透密集的3D细胞团。

细胞核位置向核心移动：高渗条件下，细胞核相对于类器官边界的位置分布发生了显著变化，整体向核心移动。通过距离门控分析，进入“高距离”（远离边界）门控的细胞核百分比增加了21%（与等渗组相比）。这提示了渗透应激可能导致外部细胞承受更大的压力，从而将内部细胞“挤”向核心。

染色质压实：视觉检查发现，高渗处理后的细胞核DAPI染色变得更加“颗粒化”（punctiform），这通常是染色质压实（chromatin compaction）的表现。通过计算DAPI染色强度的变异系数（CV）来定量分析，高渗组细胞核的平均CV显著增加了30%（P

这些实验结果表明，该管线能够准确捕捉并量化已知的形态学变化，涵盖了细胞质和细胞核层面的响应，为后续分析未知条件下的形态改变提供了信心。

微环境叙事：地形如何塑造细胞社区？

类器官的3D组织模式（tissue patterning）对于模拟真实器官功能至关重要，而外部微环境的局部拓扑特征（如曲率）对细胞分化和相对位置有重要影响。研究团队利用新的拓扑学描述符，探索了细胞在不同微环境中的“社区构建”。

首先，他们使用了人类乳腺上皮细胞（HME cells）在不同形状的细胞外基质（ECM）微环境（microniches）中进行实验。这些微环境迫使细胞形成特定的3D排列：一种是50微米直径、底部呈V形的“杯状”（cup shape），另一种是80微米直径、侧壁弯曲底部平坦的“井状”（well shape），还包括没有ECM的情况（细胞形成普通球体）。

通过分析细胞核的拓扑模式（以“球形”分布的百分比衡量），不同微环境下的细胞组织模式清晰可见。“杯状”微环境中，随机定位（对应“球形”分布）的细胞比例最低，低于1%。而“井状”微环境中，“球形”分布比例在20%到40%之间，出现一些无序的多层结构。相比之下，没有ECM约束的癌细胞球体中，“球形”分布的细胞比例最高，超过50%，表现出更随机的细胞分布。这证明了基于细胞邻域拓扑描述符的分析能够有效地区分不同的3D细胞组织模式，甚至有助于对不同的生物系统进行分类。

接着，他们将这套方法应用于复杂的人胰腺导管腺癌（PDAC）原代类器官。PDAC类器官从解离的细胞发育而来，一周内形成囊状结构，经历暂时的多叶阶段后，会发生内部折叠，形成复杂的细胞内陷和回旋，外部还可能形成芽状结构（buds），这些芽是研究干性、侵袭性或增殖潜能的重点区域。

通过单步数据过滤（data gating）结合图像反馈，研究发现，PDAC类器官的不同区域展现出不同的细胞核拓扑模式：

核心区域（Core）： 细胞核主要呈现“球形”分布（占30%），与视觉观察到的核心区域细胞随机排列一致。拟合椭球的oblate-prolate比散点图斜率高达1.08，接近球形。

芽状区域（Bud）：细胞核表现出“杆状”分布（占9%）和一定比例的“球形”分布（占7.5%），这与芽状结构中细胞倾向于某种方向对齐和混合的层状结构吻合。斜率下降到0.93。

边界区域（Border）： 细胞核绝大多数呈现“盘状”分布（占89%），极低的“球形”比例（仅0.05%），精确地反映了边界处细胞形成的单层折叠结构。斜率最低，为0.78。

这些定量结果与视觉观察完美契合，凸显了PDAC类器官内部的空间异质性，为理解肿瘤微环境的复杂性及其对治疗反应的影响提供了重要线索。这项通过3D形态特征“盲法”评估局部拓扑约束的能力，在没有先验假设的情况下揭示组织模式，代表了一项新颖的贡献。

飞行中的细胞：微重力如何改变生命形态？

抛物线飞行实验提供了一个探索极端机械应力（如微重力）对3D细胞结构影响的独特机会。研究团队利用这套管线，对在飞机上经历循环微重力（0 g）和超重（2.5 g）的乳腺癌球体（MCF7细胞）进行了分析。这是一项发现驱动型实验，因为之前在如此条件下对3D结构的详细研究非常有限。

他们对120个类器官（来自当天飞行、飞行后24小时以及对应的地面对照组）进行了数字化，共得到超过8000个细胞的3D形态特征。为了避免先验偏倚，这些细胞数据被“盲法”汇总，不带任何条件标签，然后使用主成分分析（PCA）进行无监督降维分析。PCA能够自动识别数据中最重要的变异模式，帮助发现潜在的形态学“特征签名”。

结果显示，细胞经历抛物线飞行后，体积发生了显著下降。通过PCA分析识别出的具有独特形态学特征的“高PC1”细胞群（对应于数据的第一个主成分），其体积下降尤为剧烈。与“低PC1”细胞群相比，在飞行当天固定（Day 0 F）的球体中，“高PC1”细胞的体积下降了33%，而“低PC1”细胞下降了14%。即使在飞行结束后24小时固定（Day+1 F24）的球体中，体积下降效应仍然存在，尽管程度有所减轻，“高PC1”细胞体积下降12%，而“低PC1”细胞下降8%。

更进一步的图像反馈和数据分析揭示，“高PC1”细胞群主要定位在球体的周边区域。通过基于细胞到球体边界距离的手动门控分析（不使用PCA），再次确认了体积下降效应的空间局部性：位于外部区域（距离边界小于10微米）的细胞体积下降更为显著，在飞行当天下降了31%，而内部细胞（距离大于10微米）仅下降了12%。飞行后24小时，这种差异仍然存在，外部细胞下降9%，内部细胞下降5%。

这项发现提示，循环微重力/超重应力对球体的形态影响，更多地作用于外部细胞，并且这种差异效应在应激解除24小时后仍能观察到。这不仅影响了细胞体积，还影响了细胞密度和细胞核体积等其他特征。这一发现是利用该管线的无监督分析和空间定位能力，在缺乏先验假设的情况下获得的，展示了其强大的发现潜力。

3DCellScope：你的指尖实验室

将所有这些强大的分析功能整合在一起的，是用户友好的3DCellScope软件。它的设计旨在弥合专业分析管线和通用商业软件之间的差距，让不具备生物信息学或编程背景的科研人员也能轻松上手。

通过3DCellScope，可以：

导入数据：轻松导入来自各种3D显微镜（如共聚焦显微镜）的图像数据。

处理图像：一键启动多层级分割流程，包括AI细胞核分割、细胞分割和类器官分割。用户可以根据需要调整参数，甚至可以导入和测试其他基于StarDist训练的AI模型，这体现了平台的开放性和协作精神。

提取特征：自动生成包括形态学和拓扑学在内的数百个3D描述符，形成结构化的数据库。

可视化与交互：在2D和3D视图中直观地查看原始图像、分割结果和分析数据。用户可以交互式地选择单个细胞或区域，软件会同步显示其对应的描述符数据和在图像中的位置。

数据挖掘与分析：利用内置工具进行数据探索，生成各种图表（散点图、直方图、小提琴图等），进行图形过滤（门控）来选择特定的细胞群，并进行PCA等高级分析。最重要的是，门控和分析结果会即时反馈到图像视图中，帮助用户直观地理解数据与形态之间的关系。

3DCellScope降低了高维度3D生物数据分析的门槛，让科研人员能够将更多精力放在生物学问题的探索上，而不是繁琐的技术细节。其快速的处理能力、丰富的分析工具和直观的交互方式，使其成为高通量类器官筛选和深入研究的理想选择。

迈向4D生命探索

这项研究推出的数字化类器官集成管线和3DCellScope软件，是3D细胞生物学领域的一个重要进展。它通过将先进的机器学习与经典的图像分析相结合，实现了对类器官等多细胞3D结构的高速、高精度、多层级（细胞核、细胞、整体）形态和拓扑分析。

这项技术的优势在于：

快速且稳健：DeepStar3D AI模型在各种图像条件下都能快速准确地分割细胞核，细胞分割也具有高精度。

信息丰富：提取的数百个3D形态学和拓扑学描述符，提供了对类器官内部细胞“形状”和“社区结构”的全面量化。

功能强大：通过经典渗透应激验证了其捕捉已知变化的能力；通过分析不同ECM微环境和PDAC类器官揭示了其量化复杂组织模式和区域异质性的能力；通过抛物线飞行实验展示了其在未知条件下发现新生物学特征的潜力。

用户友好且开放： 3DCellScope软件降低了分析门槛，并支持集成其他AI模型。

这套管线在生物医学研究中具有广泛的应用前景，尤其是在药物筛选（screenings）、组织工程（tissue engineering）和新兴的太空生物学（space biology）领域。通过对类器官进行高速、高通量的3D分析，我们可以更深入地理解疾病机制、评估药物疗效、探索极端环境对生命的影响。

研究团队也展望了未来的方向，他们计划将先进的3D追踪技术整合进来，构建一个强大的四维（4D，3D+时间）系统，从而捕捉细胞和组织的动态变化。想象一下，我们不仅能看到类器官在某一时刻的精细3D结构，还能追踪细胞如何移动、如何变形、如何相互作用，动态地观察组织模式的形成和演变。

从静态的3D快照到动态的4D生命电影，数字化类器官技术正带领我们一步步揭开复杂多细胞系统的神秘面纱，加速科学发现的进程。

参考文献

Ong HT, Karatas E, Poquillon T, Grenci G, Furlan A, Dilasser F, Mohamad Raffi SB, Blanc D, Drimaracci E, Mikec D, Galisot G, Johnson BA, Liu AZ, Thiel C, Ullrich O; OrgaRES Consortium; Racine V, Beghin A. Digitalized organoids: integrated pipeline for high-speed 3D analysis of organoid structures using multilevel segmentation and cellular topology. Nat Methods. 2025 May 14. doi: 10.1038/s41592-025-02685-4. Epub ahead of print. PMID: 40369245.

声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！

往期热文：

Nature Medicine | Felzartamab如何从分子层面“驯服”肾移植排斥？

Nature | IBD百年“全球迁徙”，揭示肠道疾病演变四大阶段

Cell

Nature Medicine

N Engl J Med

Cell

来源：生物探索一点号1