Felzartamab

引言在与癌症漫长的抗争中，晚期肺癌——尤其是非小细胞肺癌（NSCLC）中的非鳞状亚型（nsqNSCLC），始终是一个严峻的挑战。然而，近年来，医学的飞跃带来了新的曙光：将免疫治疗（Immunotherapy）、抗血管生成治疗（Anti-angiogenesis Therapy）与传统化疗（Chemotherapy）巧妙结合的多药联合方案，在全球多项临床试验中展现出令人振奋的疗效，显著延长了患者的生存期，并因此获得了广泛认可和全球批准。人们寄予厚望，认为这些“全球最佳实践”将无国界地造福所有患者。但事实果真如此吗？考虑到不同地域人群在遗传背景、疾病特征、特别是肿瘤驱动基因突变谱（如中国患者高比例的EGFR突变）以及临床诊疗习惯上的独特差异，一个重要的疑问应运而生：在全球成功的治疗方案，在中国是否同样适用并能达到预期效果？为了回答这一关键问题，IMpower151这项专门针对中国患者的III期临床试验应运而生。旨在评估备受瞩目的联合方案——阿替利珠单抗（一种免疫治疗药物）联合贝伐珠单抗（一种抗血管生成药物）以及在中国临床实践中常用的培美曲塞或紫杉醇化疗——作为晚期转移性nsqNSCLC的一线治疗，在有效性和安全性上的表现。该研究发表于5月16日的《Nature Medicine》“Atezolizumab plus bevacizumab and chemotherapy in metastatic nonsquamous NSCLC: the randomized double-blind phase 3 IMpower151 trial”，结果出乎意料，引人深思：IMpower151试验未能达到其主要研究终点，即未能在整体人群中显示出该联合方案相比对照组（贝伐珠单抗+化疗）在无进展生存期（PFS）上的显著改善。这个“遇冷”的结果与全球同类研究形成了鲜明对比，究竟是何原因？是患者特征的差异，既往治疗的影响，还是肿瘤生物学本身的区域性奥秘？这项研究的发现，虽然结果意外，却揭示了肿瘤治疗中区域差异的复杂性，并为我们提出了更深层的问题。谁参与了这项研究？治疗方案有哪些？——IMpower151试验设计初探IMpower151试验是一项随机、双盲（double-blind）、安慰剂对照的III期临床研究。它在中国的24个临床中心开展，共筛选了626名患者，最终有305名初治（Chemotherapy-naive）的转移性nsqNSCLC患者被纳入研究，并以1:1的比例随机分入两个治疗组：ABCPem/Pac组（152人）和BCPem/Pac组（153人）。ABCPem/Pac组接受的是阿替利珠单抗联合贝伐珠单抗、卡铂以及由研究者选择的培美曲塞或紫杉醇。BCPem/Pac组则接受安慰剂联合贝伐珠单抗、卡铂以及由研究者选择的培美曲塞或紫杉醇。值得注意的是，在国内目前的临床实践中，对于nsqNSCLC患者，培美曲塞（Pemetrexed）的使用更为普遍，这项试验也印证了这一点：几乎所有（97%）的患者都选择了培美曲塞作为化疗药物。参与试验的患者基线特征在两组之间基本均衡。患者的中位年龄是61岁（范围30-76岁），59%是男性，51%从不吸烟。多数患者（81%）的功能状态较好，ECOG体力评分（Eastern Cooperative Oncology Group performance status, ECOG PS）为1。PD-L1表达水平（由SP263抗体central testing确定）方面，肿瘤细胞（Tumor cell, TC）≥1%和TC≥50%的患者比例分别为52%和30%。特别引人关注的是，高达53%的患者携带EGFR基因突变。在携带EGFR突变的患者中，许多人在此之前已经接受过酪氨酸激酶抑制剂（Tyrosine kinase inhibitor, TKI）治疗，有50%的患者接受过≥2线EGFR或ALK TKI治疗，而在接受过EGFR TKI治疗的157名患者中，66%甚至接受过第三代TKI治疗。这些基线特征，尤其是高比例的EGFR突变和既往TKI治疗，是理解IMpower151结果的关键。首要目标达成了吗？——探索无进展生存期（PFS）的“意外”结果这项研究的首要目标是评估ABCPem/Pac方案是否能显著改善患者的无进展生存期（Investigator-assessed progression-free survival, INV-PFS），即从随机分组到首次出现疾病进展或死亡的时间。然而，最终的分析结果出人意料。在ABCPem/Pac组，患者的中位INV-PFS是9.5个月；而在BCPem/Pac组，中位INV-PFS是7.1个月。两组之间的差异并不具有统计学意义（分层风险比Stratified Hazard Ratio, HR为0.84，95% CI 0.65-1.09，P=0.184）。这意味着，对于IMpower151的整体入组人群而言，增加阿替利珠单抗（免疫治疗）并没有带来预期的、统计学意义上的PFS显著改善。独立评估机构（Independent review facility, IRF）对PFS的评估结果与研究者评估的结果一致，ABCPem/Pac组的中位IRF-PFS是9.5个月，BCPem/Pac组是8.2个月，风险比为0.88（95% CI 0.68-1.15）。这进一步确认了研究的主要结论。不仅仅看PFS：总生存期（OS）和客观缓解率（ORR）如何？除了PFS，研究还评估了总生存期（Overall survival, OS）和客观缓解率（Objective response rate, ORR）等关键次要终点。总生存期定义为从随机分组到任何原因死亡的时间。截至临床数据截止日期（2023年2月2日），总生存期的数据尚不成熟，仅发生了49%的事件。初步结果显示，ABCPem/Pac组的中位OS是20.7个月，而BCPem/Pac组是18.7个月。分层风险比为0.93（95% CI 0.67-1.28）。虽然数值上ABCPem/Pac组略长，但由于置信区间跨越1，且数据尚不成熟，这一差异并未达到临床意义上的显著改善。客观缓解率（ORR）定义为达到完全缓解（Complete response）或部分缓解（Partial response）的患者比例。在ABCPem/Pac组，客观缓解率是48%（152人中有73人），而BCPem/Pac组是50%（153人中有76人）。两组的ORR非常相似。对于达到缓解的患者，中位缓解持续时间（Duration of response, DOR）在ABCPem/Pac组是11.3个月，BCPem/Pac组是8.3个月，ABCPem/Pac组显示出数值上的优势。为何与全球试验结果不同？区域差异的深层解读IMpower151在中国开展，而全球IMpower150试验则在包括亚洲人群在内的26个国家进行。IMpower151的结果与IMpower150报告的显著PFS和OS改善存在差异，这引发了深入思考。是什么导致了这种不同？研究讨论了几个可能的因素：人群构成差异： IMpower151的所有患者都是中国人群，而IMpower150包含了多个人种。不同人种在基因背景、肿瘤驱动基因突变谱、免疫系统特征等方面可能存在差异。EGFR突变率差异： IMpower151中，EGFR突变率高达53%，远高于IMpower150的14%。虽然IMpower150的EGFR突变亚组分析显示加入免疫治疗也有益处，但IMpower151的这一比例极高，这部分患者的生物学特征可能与EGFR野生型（EGFR WT）患者截然不同。化疗药物选择差异： IMpower150试验方案中，化疗部分固定为卡铂+紫杉醇（Paclitaxel），而IMpower151中，研究者可选择培美曲塞（Pemetrexed）或紫杉醇，但实际执行中绝大多数患者选择了培美曲塞。既往研究表明，贝伐珠单抗联合铂类化疗时，培美曲塞组合可能比紫杉醇组合具有更好的PFS收益。这提示，化疗骨架（Chemotherapy backbone）本身的不同可能影响了贝伐珠单抗-化疗联合方案的疗效，从而可能降低了再加入阿替利珠单抗时带来的“相对”获益。既往TKI治疗差异： 在IMpower151的EGFR突变患者中，相当一部分（66%接受过既往EGFR TKI治疗的患者）接受过第三代TKI治疗。这与IMpower150开展时期（当时一线主要是第一、二代TKI）的临床实践不同。既往治疗的差异，特别是高效TKI的使用，可能会影响患者后续对免疫治疗的反应，尤其是在疾病进展后的肿瘤微环境状态。这些区域性的差异，特别是患者的驱动基因突变谱和既往治疗史，可能是导致IMpower151未能复制IMpower150成功结果的关键因素。这也强调了在不同区域进行独立临床试验的重要性。治疗的另一面：安全性与耐受性如何？尽管疗效结果未能达到主要终点，但安全性是任何新治疗方案评估的重要组成部分。IMpower151试验对ABCPem/Pac方案的安全性进行了详细评估。研究显示，ABCPem/Pac方案总体耐受性良好，并且没有发现新的安全信号。几乎所有患者（99%）都报告了任何级别的总体不良事件（Adverse events, AEs），其中ABCPem/Pac组3级或4级不良事件发生率是66%，BCPem/Pac组是61%。导致任何治疗中止的不良事件发生率在ABCPem/Pac组是23%，BCPem/Pac组是15%。两组全因5级不良事件发生率均为8%。最常见的任何级别不良事件包括中性粒细胞计数下降（Neutrophil count decreased, 76% vs 75%）、贫血（Anemia, 75% vs 76%）和白细胞计数下降（White blood cell count decreased, 61% vs 62%）。这些通常是化疗相关的血液学毒性。针对阿替利珠单抗的特殊不良事件（Adverse events of special interest for atezolizumab, AESIs）也得到了密切监测。ABCPem/Pac组有68%的患者发生了AESIs，BCPem/Pac组为71%。其中3级或4级的AESIs发生率分别为11%和7%。最常见的AESIs包括肝炎（Hepatitis, 包括诊断性和实验室指标异常）、甲状腺功能减退（Hypothyroidism）和皮疹（Rash）。肝炎事件主要是由实验室指标异常引起，多数为低级别。总体而言，阿替利珠单抗相关的特殊不良事件发生率在两组之间相似，且多数为可管理的级别。生物标志物揭示肿瘤微环境（TME）的线索为了进一步理解不同患者亚群对治疗的反应差异，研究者进行了探索性的生物标志物分析，特别是利用RNA测序（RNA sequencing）技术研究了肿瘤组织样本的基因表达谱。RNA测序分析揭示了携带EGFR突变和EGFR野生型（WT）肿瘤在基因表达上的显著差异。EGFR突变亚组的肿瘤表现出细胞周期（Cell cycle）和凋亡（Apoptosis）相关基因的高表达，而EGFR WT亚组则显示出效应T细胞（Effector T cell）和自然杀伤（Natural killer, NK）细胞等免疫应答（Immune response）相关基因的高表达。这表明，EGFR突变肿瘤的免疫微环境（Tumor microenvironment, TME）可能相对“更冷”（immunosuppressive），而EGFR WT肿瘤可能相对“更热”（more immune-active）。更进一步的分析发现，在ABCPem/Pac组，与免疫应答相关的基因（如T细胞、树突状细胞 - dendritic cells、主要组织相容性复合体II类分子 - major histocompatibility complex II）的高表达与更长的PFS相关。而这些免疫信号与PFS的相关性并未在BCPem/Pac组中观察到。研究还关注了肿瘤相关髓系细胞（Tumor-associated myeloid cells, TAMCs），如巨噬细胞（Macrophages）和单核细胞（Monocytes），发现这些细胞群的存在与预后和对免疫治疗的反应复杂相关。例如，CD16+单核细胞信号在ABCPem/Pac组中与更长PFS相关，可能通过招募NK细胞增强疗效，而CD14+单核细胞信号则无此关联。这些探索性发现为理解免疫治疗与肿瘤微环境的相互作用提供了线索，但也需要更多研究验证。IMpower151试验的启示与未来展望尽管IMpower151试验未能达到其主要研究终点（INV-PFS），但它为我们提供了关于在中国转移性nsqNSCLC患者中，阿替利珠单抗联合贝伐珠单抗和化疗方案有效性和安全性的宝贵数据。这项试验最重要的启示在于，它深刻地揭示了区域差异（如患者特征、基因突变谱、既往治疗史和临床实践习惯）在肿瘤治疗中的重要影响。简单地将一项全球性试验的结果照搬到特定区域可能并不合适，强调了开展符合本地实际情况的临床研究的必要性。对于携带EGFR突变的患者亚群，IMpower151的PFS结果与KEYNOTE-789和CheckMate 722等其他在TKI治疗失败后探索免疫检查点抑制剂（Immune checkpoint inhibitors, ICI）联合化疗的研究结果（多数也未达到主要终点）是基本一致的，这提示了EGFR突变肿瘤对免疫治疗的固有耐药性或复杂性。未来的研究还需要进一步深入探讨不同化疗骨架对贝伐珠单抗联合治疗疗效的影响，以及如何通过生物标志物更好地预测患者对不同联合方案的反应。例如，肿瘤微环境的特征（如免疫细胞浸润水平）是否能指导治疗决策？如何克服EGFR突变肿瘤相对“冷”的免疫微环境？这些都是精准医学（Precision medicine）时代需要解决的问题。IMpower151试验结果提醒我们，肿瘤治疗之路充满挑战，需要结合患者个体特征、疾病生物学、地域差异等多种因素进行综合考量。虽然未能达到主要目标，但这项研究依然是中国肺癌治疗研究史上的重要一笔，为我们理解复杂的中西差异和优化未来的治疗策略提供了宝贵的经验和数据。科学探索永无止境，每一次尝试，无论结果如何，都在为我们绘制更清晰的抗癌地图。参考文献Zhou C, Dong X, Chen G, Wang Z, Wu X, Yao Y, Zhang Y, Cheng Y, Pan H, Zhang X, Cui J, Wang L, Chen X, Li X, Wang Z, Wang Q, He J, Wang M, Yan I, Qian L, Xu M, Huang X, Sun C, Cai J, Wu Q, Ballinger M, Kaul M, Srivastava MK. Atezolizumab plus bevacizumab and chemotherapy in metastatic nonsquamous NSCLC: the randomized double-blind phase 3 IMpower151 trial. Nat Med. 2025 May 16. doi: 10.1038/s41591-025-03658-y. Epub ahead of print. PMID: 40379995.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 | 破译m⁶A谜团：不再是单一“自毁”，mRNA的生命周期藏着tRNA的“救援”Nature Medicine | 终结房颤“剪不断理还乱”？LVA消融，不是所有患者都受益的“万金油”！N Engl J Med | 突破！Zongertinib：精准靶向HER2，高选择性带来低毒性，肺癌治疗迈入新时代Cell | 癌细胞“作妖”新真相：揭秘ecDNA如何利用细胞自毁程序“续命”！

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 < 0.0001），进入“高CV”类别的细胞核百分比从对照组的14.5%飙升至49.8%。这有力地证明了高渗应激导致了细胞核染色质的压实。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 | 破译m⁶A谜团：不再是单一“自毁”，mRNA的生命周期藏着tRNA的“救援”Nature Medicine | 终结房颤“剪不断理还乱”？LVA消融，不是所有患者都受益的“万金油”！N Engl J Med | 突破！Zongertinib：精准靶向HER2，高选择性带来低毒性，肺癌治疗迈入新时代Cell | 癌细胞“作妖”新真相：揭秘ecDNA如何利用细胞自毁程序“续命”！