模式動物在藥物性肝損傷（DILI）測試中準確率不高如何破解？記者25日從東南大學獲悉，該校教授顧忠澤、張娟團隊創新性地將人類肝臟類器官與人工智能技術結合，開發出全球首個基于肝臟類器官明場圖像的AI模型“DILITracer”。該模型通過解析肝臟類器官對30種DILI藥物發生反應的3D形態特征，實現對肝毒性藥物的較高識別率。相關成果近日刊發于國際學術期刊《通訊生物學》。

“藥物開發時，DILI是導致臨床試驗失敗和藥品退市的主要原因?！闭撐牡墓餐ㄓ嵶髡?、東南大學教授顧忠澤介紹，此前，人們通常采用模式動物來預測藥物誘導性肝損傷，但預測準確率僅43%—63%，而體外模型又多依賴熒光標記或二維細胞系進行預測，存在破壞樣本、成本高昂、生理相關性差等缺陷。所以，如何建立可解釋、高精度的DILI預測體系，成為藥物毒理學研究的重大挑戰。

此次研究中，科研團隊構建了全球首個能輸出DILI三級分類的深度學習模型“DILITracer”。

“我們先采用BEiT-V2視覺編碼器，提取類器官圖像的3D特征，然后從美國食品藥品監督管理局DILIRank數據庫中選取了30種引發DILI的藥物，并將其分為強肝毒性、弱肝毒性、無肝毒性3個等級，以之誘導人源肝類器官產生不同程度的損傷，并在72小時內，每隔24小時拍攝一次類器官的多角度3D明場圖像數據?！闭撐牡牡谝蛔髡?、東南大學公共衛生學院博士生譚詩旖介紹，“類器官的3D明場成像，有點類似于給類器官做了一次CT，可以從不同層面對類器官立體掃描，這就能從多角度了解藥物對類器官的作用?！?/p>

譚詩旖介紹，隨后，團隊將類器官特征數據結合時空編碼架構，再將明場圖像數據集和3個毒性等級的標簽投喂給大模型，讓大模型根據標簽提取圖像特征，并最終進行3個毒性等級圖像數據的分類。最終，大模型對DILI藥物的識別準確率達82.34%，其中非肝毒性藥物識別率達90.16%。

顧忠澤表示，該技術突破了動物模型的局限，為藥物安全評估提供了無標記、低成本的高通量解決方案。