Remetinostat

IDF 2025微专辑扫描二维码可查看更多内容编者按：在全球糖尿病负担持续加重的背景下，国际糖尿病联盟世界糖尿病大会（IDF 2025）以“塑造糖尿病的未来（Shape the future of diabetes）”为主题，汇聚了全球学者共话糖尿病新进展、新技术、新策略，为全球糖尿病防治事业注入新动力。值此机会，《国际糖尿病》独家“遇见IDF·每日精粹”直播间特别采访IDF主席Peter Schwarz教授，并围绕糖尿病防控的挑战及应对策略、关爱糖尿病患者的幸福感、人工智能（AI）助力糖尿病的综合防治等关键问题展开深入探讨。糖尿病防控的挑战及IDF的应对策略《国际糖尿病》Q1您认为当前全球糖尿病防控面临的最大挑战是什么？Peter  Schwarz 教授：全球糖尿病防控的核心挑战在于低/极低收入国家的医疗资源配置，特别是农村地区糖尿病的早期筛查与管理。这一挑战体现在糖尿病的识别机制、诊断体系及最终保障治疗的可持续供给。从流行病学视角分析，当前及未来数年糖尿病负担由欧美发达地区转向东南亚及非洲地区。在糖尿病发病率持续攀升的现况下，多数卫生系统面临医疗资源短缺与公共卫生政策调整滞后的双重困境。此外，中低收入国家的偏远地区T1DM未确诊率仍处较高水平，胰岛素获取与专科护理资源存在系统性缺口，慢性病长期管理机制尚未完善。卫生政策分析表明，多数国家卫生服务体系尚未完成向慢性病综合管理转型，折射出生活方式变迁与医疗体系响应效能的结构性矛盾。《国际糖尿病》Q2作为IDF主席，IDF应采取哪些有效策略来应对这些挑战和问题？Peter Schwarz 教授：IDF致力于构建应对代谢性疾病挑战的创新机制——提出建立糖尿病与禁食国际联合工作组。当前全球存在对新型高价药物过度依赖的现象，这对中低收入国家构成严峻挑战，可能增加20~30倍的成本，在资源有限地区的持续性存疑。周期性禁食干预已经展现出潜在的转化价值，本届大会已组建专家委员会评估19种禁食模式的证据，构建其在T2DM管理中的应用框架。精准分型方面，在东南亚及非洲地区广泛存在的“5型糖尿病”（暂定名：营养不良相关性糖尿病）需重新进行表型定义。其发病机制可追溯至母体妊娠期营养不良导致的子代胰岛β细胞数量发育缺陷。基于此，跨学科专家组正在制定区别于传统分型的诊断标准，预计18~24个月内完成完整的临床路径构建，这具有重要的临床意义。技术创新层面，重点推进人工智能技术在糖尿病管理中的转化应用：①开发基于深度学习的临床决策支持系统，优化治疗方案生成算法；②构建智能患者教育平台，实现个性化健康管理干预。而低成本的连续血糖监测技术（CGMS）的普适化应用将引发糖尿病管理范式变革。作为全球权威学术组织，IDF已启动医疗质量改进计划，其核心目标是通过技术创新与资源整合，建立适应不同经济发展水平的糖尿病分级诊疗体系，重点解决卫生资源分配的区域性失衡问题。关爱糖尿病患者的幸福感《国际糖尿病》Q3您认为未来IDF将如何推动将“患者幸福感”纳入医疗系统的核心护理目标？Peter Schwarz 教授：IDF将“糖尿病与主观幸福感”作为2024~2026年世界糖尿病日的核心主题，是因为主观幸福感能预测糖尿病患者的临床结局。糖尿病患者心理受自身认知和治疗方式的共同影响——初期对病情不了解产生的心理盲区及长期治疗压力。数据显示糖尿病患者抑郁风险增加3~4倍，75%的病程超5年者会出现倦怠综合征。对于糖尿病患者而言，生活质量的提升应优先于代谢控制，且具有正向的交互效应。今年的世界糖尿病日（11月14日）聚焦“健康福祉与工作场所”，这是一个与众不同的主题却与糖尿病管理一脉相承。工作场所作为特殊环境，能够帮助我们更早发现糖尿病风险人群或高血糖患者，并提供干预措施。例如，全球许多国家的职业健康体系非常完善，有些甚至优于普通医疗系统。职业健康体系通过早期筛查和管理，能有效改善糖尿病患者的职场表现并降低健康风险。《国际糖尿病》Q4聚焦于“幸福感”，加拿大多伦多大学医学院Alice Cheng教授也强调了，该问题在亚洲的年轻人群中的特殊重要性。对此您怎么看待？Peter Schwarz 教授：亚洲与非洲的糖尿病发展轨迹确实与欧美截然不同——病情进展更迅猛、发病年龄更年轻化。以印度为例，尽管素食主义普遍（这通常被视为健康的生活方式），但若大量使用高温（>130℃）油炸碳水化合物，会引发肝脏糖异生障碍进而出现非酒精性脂肪肝等。在东南亚地区，BMI指数仅24kg/m2的28岁女性就可能出现严重代谢紊乱，比欧洲患者提前了近15年。这不仅是医学问题，更是涉及食品工业、城市规划、健康教育的社会系统工程。正如IDF所强调的——破解亚洲糖尿病困局，需要建立“数据驱动的精准公共卫生响应机制”。AI助力糖尿病的综合防治《国际糖尿病》Q5当前，AI炙手可热，请您分享数字健康工具和AI在糖尿病预防与管理中的具体应用案例？Peter Schwarz 教授：糖尿病管理的未来需要双轨并进：AI与数字化医疗的深度融合。我和德国研究团队正在系统评估糖尿病数字疗法——德国在这方面的优势在于，其糖尿病预防与管理数字工具已形成完整的监管认证体系。让糖尿病患者口袋里的智能手机成为健康管理中枢具有巨大的战略意义。人们每天需做近1800项决策，其中450项与生活方式相关。试想，若基于智能手机的AI应用，能在恰当时间以精准的个性化内容，对其中10项关键决策产生积极影响，这种“微干预”的累积效应将重塑疾病管理范式。智能手机承载的微决策引导系统，不仅在糖尿病治疗中举足轻重，更在预防领域展现出革命性潜力。而要实现这一愿景，必须突破AI技术的整合瓶颈。本次大会我们特别成立“AI与糖尿病”专业委员会，旨在构建全球首个AI糖尿病管理证据体系——以患者需求为导向，开发能聚合多源数据（动态血糖、可穿戴设备、环境传感器等）的智能中枢系统，通过机器学习构建个性化的干预模型。试想，若低成本葡萄糖传感器未来能够普及，这首先要感谢中国在传感器技术创新上的推动——目前正是这些创新显著降低了现有传感器的价格。当患者通过这种经济型筛查设备获取海量数据时，我们将能深入洞悉其生活习惯。此时的关键就在于如何利用这些数据，而AI正是解决方案。AI能够整合分析血糖值、运动量、情绪波动、睡眠质量等多元数据，无需人工输入即可自动解读健康信号，精准指出哪些行为有益、哪些存在风险，并为患者提供个性化建议。这种以糖尿病患者个体需求为核心的技术发展前景广阔、意义深远。结语未来已来，智能手机搭载AI应用，实时汇聚各类生理数据，并将其转化为个性化的健康管理方案，有望为糖尿病管理提供有力支持。声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。最新《国际糖尿病》读者专属微信交流群建好了，快快加入吧！扫描左边《国际糖尿病》小助手二维码（微信号：guojitnb），回复“国际糖尿病读者”，ta会尽快拉您入群滴！（来源：《国际糖尿病》编辑部）版权声明版权属《国际糖尿病》所有。欢迎个人转发分享。其他任何媒体、网站未经授权，禁止转载。

DRUGAI今天为大家介绍的是来自伦敦癌症研究所癌症生物学系Chris Bakal教授带领团队发表的一篇论文。这项研究介绍了一个名为MorphoMIL的创新计算方法，它结合了几何深度学习（geometric deep learning）和基于注意力的多实例学习（attention-based multiple-instance learning），用于分析细胞及其细胞核的三维形态特征。研究团队采用3D点云数据作为输入，不仅能在单个细胞层面捕捉形态特征，还能分析整个细胞群体的特征，同时考虑了细胞群体中个体差异（表型异质性）。他们对超过95,000个黑色素瘤细胞进行了实验，这些细胞分别接受了具有临床意义的药物处理、基因改造，以及影响细胞内部支架结构的处理。该方法不仅能准确预测药物对细胞的影响和细胞状态，还能发现药物带来的细微形态变化，找出与细胞信号活动相关的关键形状特征，并帮助我们理解为什么同一群细胞会表现出不同状态。MorphoMIL不仅表现出色，而且适用于各种不同类型的数据集，这为未来在药物研发中进行大规模、高效的细胞形态分析开辟了新途径。细胞的形状是如何形成的？这要从细胞内部成分说起。细胞中的蛋白质、代谢物和脂质不断与周围环境互动，最终决定了细胞的形状。细胞形态的异常往往预示着疾病的发生，因此研究细胞形状可以帮助我们了解细胞的状态。传统研究主要关注细胞的二维形态，使用面积、周长等简单的几何特征来描述细胞。但这种方法存在明显局限：首先，它依赖预设的形状测量标准；其次，真实生物体内的细胞是三维的，仅用二维图像难以完整描述细胞形态。随着技术进步，特别是3D显微技术的发展（如斜面显微镜技术），科学家们终于能够观察到细胞的真实三维结构。然而，如何定量分析这些3D形态数据仍然是一个挑战。为此，研究团队开发了一个创新的分析框架——MorphoMIL。这个框架采用了点云数据（即在3D空间中分散的点的集合）来表示细胞形状，并结合了几何深度学习和基于注意力的多实例学习技术。MorphoMIL的应用效果令人惊喜：它不仅能够通过细胞的3D形状预测重要的生化活性（如细胞信号通路MEK-ERK的活性），还能通过定量形态特征（quantitative morphological signatures, QMS）预测基因功能和蛋白质之间的相互作用。这些发现表明，几何深度学习不仅能够识别3D细胞形状的特征，当与注意力机制的多实例学习结合时，还能识别不同处理条件下的特征表型，预测细胞状态，为药物研发提供新的研究思路。这项研究取得了四个重要突破：几何深度学习技术能够在各种实验条件下，准确捕捉细胞的3D形状特征；通过多实例学习技术分析细胞形态的变化规律，成功预测药物的处理效果；通过分析MIL的注意力权重，研究人员发现了药物处理会导致细胞产生特定的形态特征；研究团队开发的3D细胞形状分析模型，成功将细胞的形态特征与其内部的信号传导状态和蛋白质互作联系起来。一种使用GDL对三维细胞形状进行分析的自动化方法研究团队开发了一种创新的方法，用于自动分析细胞的3D形态特征。他们首先使用一种特殊的显微镜技术——阶段扫描斜面显微镜（stage-scanning OPM）对实验样本进行观察。如图1A所示，研究人员将超过65,000个WM266-4黑色素瘤细胞培养在模拟人体组织环境的胶原蛋白水凝胶中。这些细胞被特殊处理，能够发出荧光信号来显示细胞膜、细胞核的位置，以及细胞内ERK激酶的活动情况。图 1为了研究不同条件下细胞的形态变化，研究人员使用了多种临床相关的药物处理细胞，这些药物可以影响细胞骨架的组织和细胞信号通路。如图1B-E所示，研究团队开发了一套完整的数据处理流程：首先对细胞和细胞核进行分割（图1B, C），然后将3D图像数据转换为网格结构（图1D），最后生成点云表示（图1E）。为了准确量化单个细胞的3D形状特征，研究人员开发了一个智能的计算模型——动态FoldingNet（DFN）。如图1F所示，这个模型通过结合动态图卷积神经网络（DGCNN）技术，能够同时学习细胞的局部特征（如突起等）和整体形态特征。如图1G所示，DFN通过“自编码器”的方式工作：先将输入的点云数据压缩成更简单的特征表示，然后尝试从一个基本形状重建原始点云。这种方法使得研究人员能够提取出细胞3D形状的关键特征，为后续分析奠定基础。细胞3D形态分布反映其所处环境以及受到的干扰研究人员首先使用UMAP技术（一种数据可视化工具）将复杂的3D细胞形态数据简化成二维图像（图2A）。这个可视化结果显示，细胞形态的主要差异体现在两个方面：细胞的大小（图2B）和形状的规则程度（偏心率）（图2C）。较小且圆形的细胞会聚集在一起（图2D, E），而较大且形状不规则的细胞则会出现在图的其他区域。图 2研究还发现，细胞在胶原蛋白基质中的位置会显著影响其形态。如图2F所示，研究人员根据细胞核心距离盖玻片的距离，将细胞分为两类：距离小于7微米的“近端”细胞和距离大于7微米的“远端”细胞。这个发现表明，3D细胞形态能够反映细胞所处的物理环境。更有趣的是，不同药物处理会导致细胞呈现不同的形态特征。如图2G-J所示，研究人员比较了对照组（DMSO处理）和不同药物处理组的细胞形态分布。例如，blebbistatin处理的细胞往往会形成更多突起且形状不规则（图2I），而nocodazole处理的细胞则更趋向于圆形且突起较少（图2J）。这项研究的一个重要发现是：药物处理通常不会让细胞产生全新的形状，而是改变了细胞群体中不同形态的分布比例。这个发现提示我们，在研究药物如何影响细胞形态时，需要同时考虑细胞群体内部的差异和不同细胞群体之间的相似性。这种深入理解有助于我们更好地评估药物的作用机制和效果。3D细胞形状反映干扰程度研究团队开发的3D细胞形态分析方法究竟准确吗？为了回答这个问题，他们设计了一系列验证实验。首先，研究人员使用一种叫做支持向量机（Support Vector Machine, SVM）的人工智能算法来识别不同药物处理的细胞。他们采用两个指标来评估模型的表现：平衡准确率（衡量模型正确分类的比例）和AUC值（反映模型区分不同类别的能力）。图 3如图3A和3B所示，模型在识别靠近盖玻片的近端细胞时表现最好。特别是对于三种药物处理：破坏微管动态的nocodazole、抑制肌球蛋白-2的blebbistatin，以及抑制ROCK蛋白的H1152，模型表现出极高的识别准确率。图3C全面展示了模型在不同条件下的分类效果。研究还发现一个有趣的现象：虽然单独使用细胞形状或细胞核形状的特征都能进行预测，但结合两者的信息效果最佳。这说明细胞的整体形态和细胞核的变化都携带着重要的生物学信息。更令人惊讶的是，仅凭细胞的3D形状特征，模型就能以84.9%的高准确率判断出细胞在胶原蛋白基质中的位置（是处于15-60微米还是大于70微米的深度）。这个发现表明，细胞的形态特征与其所处的微环境密切相关，为我们理解细胞如何适应和响应周围环境提供了新的视角。研究团队首先验证了他们开发的DFN方法的普适性。他们不仅在自己的黑色素瘤细胞数据上进行了测试，还将方法应用到了两个公开数据集：825个3D红细胞图像（图3D）和1,908个3D脑血管图像（图3E）。结果显示，DFN在所有数据集上都优于其他方法，证明了这种方法具有良好的通用性。一个基于注意力的多实例框架图 4然而，研究中遇到了一个关键问题：即使是相同的药物处理，不同细胞的形态反应也可能大不相同。为了解决这个问题，研究团队开发了一个创新的分析框架——MorphoMIL（图4B）。这个框架就像一个智能的药物侦探，它不仅能观察单个细胞的变化，还能通过分析细胞群体的整体特征来识别药物处理的效果。如图4C-E所示，它能以极高的准确率（最高达99.3%）识别不同的药物处理。特别值得注意的是，即使是作用机制相似的药物，如blebbistatin（抑制非肌肉肌球蛋白-2）和H1152（抑制ROCK），MorphoMIL也能准确区分（准确率76.2%）。这说明细胞的3D形态变化能够反映出药物作用的细微差异。研究还发现了一个有趣的现象：在大多数情况下，同时分析细胞和细胞核的形态特征能获得最佳的识别效果（图4F）。这就像观察犯罪现场时，需要同时考虑多个线索才能得出最准确的结论。MorphoMIL可推广到其他细胞类型和成像方式图 5为了验证MorphoMIL方法的通用性，研究团队选择了一个具有挑战性的测试对象——人诱导多能干细胞（hiPSC）。这种细胞具有特殊的分化潜能，被广泛应用于药物开发和疾病建模研究。如图5所示，研究人员分析了五种不同药物（blebbistatin、brefeldin、paclitaxel、rapamycin和staurosporine）处理的hiPSC细胞（图5A-E）。他们首先使用CellPose技术对3D图像中的单个细胞进行分割（图5F），然后创建网格模型（图5G）并提取点云数据（图5H）。有趣的是，即使是在完全不同的细胞类型上，MorphoMIL仍然展现出优异的分类性能（图5I和5J）。图 6MorphoMIL的一个独特优势是它能够“解释”自己的决策过程。通过分析模型赋予每个细胞的“注意力权重”（类似于模型对不同细胞特征的关注程度），研究人员发现了一些有趣的规律。如图6A所示，不同药物处理导致的典型细胞形态在UMAP图上呈现出独特的分布模式。进一步分析高注意力细胞（即模型认为最具代表性的细胞）的特征（图6B）揭示了不同药物的独特“形态签名”：nocodazole处理的细胞呈现明显的圆形特征，球形度达到0.71（远高于平均值0.63）；blebbistatin和H1152处理的细胞则表现出扁平（扩展度分别为0.93和0.91）和不规则（偏心率分别为0.97和0.94）的特征。研究团队也探讨了高注意力细胞与信号活性的关系。如图6D-G所示，研究人员使用ERK-KTR报告基因来测量MEK活性：当ERK活跃时，荧光信号在细胞质中增强；当ERK被抑制时，荧光信号在细胞核中增强。ERK比率（细胞核与核周区域的ERK强度比）越高表示ERK活性越低。研究发现，binimetinib分类器的注意力得分与ERK比率呈现显著相关，这一相关性明显高于其他药物和对照组（0.14和0.24）。这表明仅基于3D细胞和细胞核形状的模型能够学习到MEK抑制和活性的特征形态。随后，研究团队使用MorphoMIL分析了167个基因（包括RhoGEFs、RhoGAPs和Rho家族GTPases）敲低后的细胞形态变化。如图7所示，他们为每个基因构建了8维特征向量（MIL-QMS），并将其分为8个簇（图7B）。研究发现MorphoMIL的预测分数与激酶活性相关：binimetinib分类器的得分与pERK水平呈显著相关。此外，通过分析RHOA-ROCK-NM2通路中的基因，研究团队发现3D细胞形态可以预测蛋白质之间的物理相互作用。结论本文介绍并验证了两种新颖的流程：DFN（特征提取）和MorphoMIL（包含分类功能）。这些流程旨在利用3D细胞形态来确定潜在的细胞状态，模拟受治疗干扰的细胞群体的异质性，并提高可解释性。这项工作强调了结合GDL（图深度学习）和MIL（多实例学习）进行3D形态分析的潜力，以推动高通量药物发现工作，并为探索基于形状的细胞状态预测开辟了新途径。作者的所有算法都打包为开源Python包，以便更广泛的研究社区使用。作者已经证明，先进的3D成像技术结合深度学习和多实例学习的模型是一种强大的方法，可以建立对遗传或化学扰动效应的机制性洞察。作者的方法快速、成本效益高且可扩展，使其成为同时查询多个信号通路活动的高效工具。因此，这种方法在小分子药物、生物制剂以及小干扰RNA（siRNA）/CRISPR文库的大规模筛选中具有相当大的潜力。此外，3D形状分析的应用在临床样本的诊断评估中显示出巨大的前景。编译|于洲审稿|王梓旭参考资料De Vries M, Dent L G, Curry N, et al. Geometric deep learning and multiple-instance learning for 3D cell-shape profiling[J]. Cell Systems, 2025, 16(3).