UCLA 发布 AI 类器官筛药平台，肿瘤药效评估推进到单个类器官分辨率
学术圈重大事件 · 发布 2026-06-23T05:54:00+08:00 · 更新 2026-06-23T05:59:50+08:00
UCLA Health Jonsson Comprehensive Cancer Center 团队 6 月 22 日发布一套把 3D 生物打印、无标记相位成像和机器学习结合的患者来源肿瘤类器官筛药流程。它的关键增量是把药物反应从总体终点读数推进到成千上万个单个类器官的连续追踪，但目前仍是 Nature Protocols 论文和机构稿支撑的方法平台，临床预测价值还需前瞻验证。
UCLA Health 6 月 22 日发布消息称，UCLA Health Jonsson Comprehensive Cancer Center 团队开发了一个用于癌症类器官药物反应分析的平台；论文以 protocol 形式发表于 Nature Protocols，DOI 为 10.1038/s41596-026-01375-5。这条新闻的核心不是又一个单点 AI 分类器，而是把样本制备、成像读数和数据分析打包成一套可复用工作流。
UCLA 新闻页配图显示类器官样本，用于说明研究团队的肿瘤类器官药物反应平台。（图源：Soragni Lab / UCLA Health）
方法上，研究者使用挤出生物打印，将癌细胞嵌入温度敏感的细胞外基质，在 96 孔板中形成薄而平的三维结构；随后用高速 live-cell interferometry 进行无标记定量相位成像，持续读取类器官生物量、增长动力学和药物反应。UCLA 新闻稿强调，平台可在成千上万个个体类器官层面追踪反应，Nature Protocols 摘要也写明，该流程可在单次实验中分析数千个类器官，并在两周以内完成。
为什么重要：患者来源类器官被寄望于连接基础药物筛选和功能性精准肿瘤学，但过去常受制于手工接种、厚基质成像效率低、终点法破坏样本和总体均值掩盖异质性。这个流程把成像和机器学习放到连续时间轴上，理论上更适合发现少数耐受细胞、反应亚群和药效曲线差异，也便于把罕见癌种或难治癌种样本用于更系统的候选药物比较。
边界同样清楚。该论文是 protocol，强调如何搭建和运行平台；UCLA 新闻稿中提到已在细胞系和患者来源肿瘤样本中验证药物反应追踪，但这还不是前瞻性临床试验结论。对临床转化来说，后续需要看样本获取时间、失败率、与真实疗效的一致性、不同癌种可迁移性、成本和监管路径。它更像是为功能性精准肿瘤学补上高通量实验基础设施，而不是直接替代医生用药判断。
信息来源
可信度说明
主要依据 UCLA Health 机构新闻稿和 Nature Protocols 论文页面，来源类型分别为研究机构发布和同行评议 protocol。可核验信息包括论文 DOI、发布时间、工作流组成、数据/代码可用性和论文摘要；患者获益仍属于潜在应用，需要临床前瞻验证。