《Advanced Science》生物3D打印类器官捕获肿瘤特征助力精准医学

摘要：当前肿瘤研究中，传统患者来源类器官（PDO）培养存在两大核心问题：一是缺乏肿瘤微环境（TME）的模拟，如基质硬度、缺氧条件等外在因素，导致无法准确反映肿瘤病理特征；二是PDO尺寸和形态异质性高，难以稳定模拟患者个体间的生物学差异，限制了其在精准医疗中的应用。来

研究背景

当前肿瘤研究中，传统患者来源类器官（PDO）培养存在两大核心问题：一是缺乏肿瘤微环境（TME）的模拟，如基质硬度、缺氧条件等外在因素，导致无法准确反映肿瘤病理特征；二是PDO尺寸和形态异质性高，难以稳定模拟患者个体间的生物学差异，限制了其在精准医疗中的应用。来自韩国蔚山科学技术院的Hyun-Wook Kang教授、Tae-Eun Park教授以及首尔大学的Seung-Jae Myung教授团队合作，开发了嵌入式生物打印技术构建类器官阵列（Eba-PDOs）。该技术通过将PDO油墨精确打印到模拟肿瘤硬度（≈7.5 kPa）的海藻酸盐浴中，形成统一尺寸的三维结构，同时复现缺氧微环境。研究利用转录组分析和免疫荧光验证，证实Eba-PDOs能更精准捕获肿瘤内在基因特征（如CEACAM5表达）和外在微环境响应。相关工作以“Bioprinted Patient-Derived Organoid Arrays Capture Intrinsic and Extrinsic Tumor Features for Advanced Personalized Medicine”为题发表在《Advanced Science》上。

研究内容

1. 嵌入式生物打印构建类器官阵列的流程与形态表征，通过定制化生物打印系统将含PDO细胞的Geltrex油墨挤压至1.5%海藻酸盐浴（模拟7.5 kPa基质硬度），结合温度和钙离子双重交联，研究了Eba-PDOs的形成过程。结果表明，打印后7天形成直径≈200 μm的均匀类器官，10天融合为统一结构，细胞存活率超94%，其面积变异系数（0.18）显著低于传统培养的Std-PDOs（0.71），且不同患者来源的Eba-PDOs保留独特形态特征。

图1. 嵌入式生物打印流程及Eba-PDOs形态对比（标尺：1 mm（打印过程）、50 μm（组织染色）、500 μm（明场成像））。

2. 类器官的肿瘤微环境模拟与病理特征分析，通过H&E染色、免疫荧光（YAP/TAZ、HIF1α、胶原I）和qPCR，对比Eba-PDOs与Std-PDOs的形态和分子表达。结果表明，Eba-PDOs核面积较Std-PDOs缩小1.7倍，机械应力标志物YAP1表达上调4倍，缺氧标志物HIF1α和胶原I沉积显著增加，且CDH2/CDH1比值升高（提示上皮-间质转化），重现天然肿瘤的细胞挤压、低氧环境和ECM重塑特征。

图2. Eba-PDOs的肿瘤病理特征表征（标尺：100 μm（组织对比）、50 μm（免疫荧光））。

3. 类器官与原发组织的转录组差异及功能富集，通过RNA测序和主成分分析（PCA），比较Std-PDOs、Eba-PDOs和患者原发组织的基因表达谱。结果表明，Eba-PDOs转录组与原发组织的Pearson相关系数（r=0.84）显著高于Std-PDOs（r=0.48），差异表达基因（DEGs）富集于TNF信号、NF-κB炎症通路及脂质代谢过程，其中CEACAM5、KLF7等结直肠癌关键基因表达更贴近真实肿瘤。

图3. 转录组对比分析及功能富集（PCA、Pearson相关系数、KEGG通路）。

4. 基质硬度对CEACAM5表达与细胞极性的影响，通过设置不同浓度海藻酸盐（0.5%-2%）调整基质硬度，结合免疫荧光和流式细胞术，研究机械应力对CEACAM5分布的调控。结果表明，1.5%海藻酸盐（7.5 kPa）条件下，Eba-PDOs的CEACAM5表达水平与原发组织一致，且异常定位于细胞基底外侧（模拟肿瘤细胞极性丧失），而软基质（0.5%海藻酸盐）无法诱导该表型。

图4. 基质硬度对CEACAM5表达模式的影响（标尺：250 μm（免疫荧光））。

5. 类器官阵列的患者异质性与药物响应验证，通过培养5例患者的Eba-PDOs并进行5-氟尿嘧啶（5-FU）药物测试，分析CEACAM5水平与化疗敏感性的关联。结果表明，Eba-PDOs的CEACAM5表达与患者血清水平高度相关（r=0.84），高CEA组对5-FU的耐药性显著更强（AUC差异＞20%），而Std-PDOs未能区分该差异，验证了Eba-PDOs在预测个体药物响应中的价值。

图5. 患者间异质性及药物响应分析（CEACAM5表达、细胞存活率曲线）。

6. 基于形态学的无标记预测模型构建与验证，通过提取177个Eba-PDOs的亮度场图像特征（面积、周长、圆度），训练随机森林算法并结合多数投票法（MVA），建立高/低CEA分类模型。结果表明，使用50个Eba-PDOs时预测准确率达98%，显著优于Std-PDOs（37%），且在7例新患者的外部验证中实现100%准确分类。

图6. 无标记形态学预测模型的构建与性能验证（特征分布、混淆矩阵、预测准确率）。

研究结论

本研究开发了嵌入式生物打印技术构建的患者来源类器官阵列（Eba-PDOs），该模型通过模拟肿瘤微环境的基质硬度（≈7.5 kPa）和缺氧条件，显著提升了对原发肿瘤内在特征（如CEACAM5表达异质性）和外在响应（如机械应力信号通路激活）的模拟精度。研究表明，Eba-PDOs的转录组与原发组织的相关性（r=0.84）显著高于传统类器官（r=0.48），并能准确捕获患者间CEACAM5表达差异及其与5-氟尿嘧啶耐药性的关联。此外，基于Eba-PDOs形态特征开发的无标记预测模型，通过多数投票法整合50个类器官数据，可实现98%的高/低CEA患者分类准确率。本研究为精准模拟肿瘤个体特征、预测药物响应提供了新平台，有望推动个性化癌症治疗和药物开发的临床转化。