模式动物在药物性肝损伤（DILI）测试中准确率不高如何破解？6月25日，《科技日报》报道，东南大学教授顾忠泽、张娟团队创新性地将人类肝脏类器官与人工智能技术结合，开发出全球首个基于肝脏类器官明场图像的AI模型“DILITracer”。该模型通过解析肝脏类器官对30种DILI药物发生反应的3D形态特征，实现对肝毒性药物的较高识别率。相关成果近日刊发于国际学术期刊《通讯生物学》。

　　“药物开发时，DILI是导致临床试验失败和药品退市的主要原因。”论文的共同通讯作者、东南大学教授顾忠泽介绍，此前，人们通常采用模式动物来预测药物诱导性肝损伤，但预测准确率仅43%—63%，而体外模型又多依赖荧光标记或二维细胞系进行预测，存在破坏样本、成本高昂、生理相关性差等缺陷。所以，如何建立可解释、高精度的DILI预测体系，成为药物毒理学研究的重大挑战。

　　此次研究中，科研团队构建了全球首个能输出DILI三级分类的深度学习模型“DILITracer”。

　　“我们先采用BEiT-V2视觉编码器，提取类器官图像的3D特征，然后从美国食品药品监督管理局DILIRank数据库中选取了30种引发DILI的药物，并将其分为强肝毒性、弱肝毒性、无肝毒性3个等级，以之诱导人源肝类器官产生不同程度的损伤，并在72小时内，每隔24小时拍摄一次类器官的多角度3D明场图像数据。”论文的第一作者、东南大学公共卫生学院博士生谭诗旖介绍，“类器官的3D明场成像，有点类似于给类器官做了一次CT，可以从不同层面对类器官立体扫描，这就能从多角度了解药物对类器官的作用。”

　　谭诗旖介绍，随后，团队将类器官特征数据结合时空编码架构，再将明场图像数据集和3个毒性等级的标签投喂给大模型，让大模型根据标签提取图像特征，并最终进行3个毒性等级图像数据的分类。最终，大模型对DILI药物的识别准确率达82.34%，其中非肝毒性药物识别率达90.16%。

　　顾忠泽表示，该技术突破了动物模型的局限，为药物安全评估提供了无标记、低成本的高通量解决方案。