《Nature communications》：生物3D打印&光干涉测量--精准类器官药物筛选
研究概述
美国加州大学洛杉矶分校Peyton J Tebon及其团队在《Nature Communications》上发表的文章《Drug screening at single-organoid resolution via bioprinting and interferometry》（IF：14.7）提出了一种新的高通量药物筛选方法。该方法使用生物打印技术生成肿瘤类器官，并结合高速活细胞干涉成像（HSLCI）和基于机器学习的定量分析，实现了对单个类器官的时序无标记成像。
传统的药物筛选平台多使用二维培养，这种方式无法准确反映人类肿瘤的生物学特性。而更具临床相关性的三维肿瘤类器官虽然能更好地模拟肿瘤环境，但在大规模筛选中存在一定的困难。文章中，研究团队通过生物打印技术将细胞构建成三维结构，保留了肿瘤的组织学和基因表达特征。与此同步，利用HSLCI成像和机器学习工具对这些类器官进行高精度的无标记成像和数据分析，从而实现对成千上万个类器官的平行质量测量。
这一方法能够识别出对特定药物治疗表现出暂时性或持续性敏感或耐药的类器官，为快速选择治疗方案提供了重要信息。此研究为药物筛选和个性化治疗提供了新的技术手段，并推动了肿瘤生物学研究的进展。
生物3D打印在本研究中的作用
生物3D打印技术在本研究中扮演着至关重要的角色，它为构建高通量、低成本的肿瘤组织模型提供了解决方案，并与HSLCI和机器学习分析相结合，实现了对单个组织模型的药物筛选，为癌症精准治疗提供了新的思路。
主要内容
生物打印技术
利用生物打印技术，可以将细胞以可控的方式沉积到 Matrigel 等基质材料中，形成具有特定几何形状的 3D 结构。
生物打印过程中，通过控制温度和打印参数，可以确保细胞活力不受影响。生物打印可通过高速活细胞干涉测量法实现单类器官跟踪。
HSLCI 技术
HSLCI，即高速活细胞干涉仪，是一种利用相干光学的定量相位成像技术，可以非侵入性地测量单个细胞或器官样的质量变化。它通过记录光通过样品时的相位变化，计算出每个样本的干质量密度，从而实现对细胞或器官样生长和药物反应的实时监测。
HSLCI 能够对癌症的 3D 模型进行高通量纵向药物反应分析。
机器学习分析
利用机器学习算法，可以对 HSLCI 获取的图像进行分割和分类，从而实现对单个器官样的追踪和分析。
机器学习算法可以有效地识别和处理图像中的噪声和伪影，提高分析的准确性和可靠性。
通过与机器学习的工具结合，HSLCI 能够识别耐药和敏感的 3D 簇状亚群，并比终点检测更早地识别对治疗的反应。
药物筛选
将肿瘤组织模型暴露于不同浓度的药物中，例如staurosporine、neratinib和lapatinib。
通过HSLCI和机器学习分析，可以评估不同药物对肿瘤组织模型的影响，并识别出敏感型和耐药型组织模型。
总结
这项研究开发了一种结合生物打印和 HSLCI 的新型药物筛选平台，可在单个器官样水平上进行高通量、无标记的药物筛选。该平台克服了传统筛选方法的局限性，例如二维细胞培养的局限性以及三维肿瘤器官样难以扩展和筛选的问题。通过 HSLCI，该平台可以实时监测单个器官样的生长和药物反应，并量化内在的异质性，例如对特定药物无响应的细胞亚群。这项研究为开发针对个体患者的个性化治疗方案提供了新的工具，并有助于更好地理解肿瘤的异质性和治疗耐药性。
文献原文：10.1038/s41467-023-38832-8
原文链接：https://www.nature.com/articles/s41467-023-38832-8
关于赛箔生物
赛箔（上海）智能科技有限公司是一家专注于研发生物制造技术和组织工程产品的高新技术企业，成立于2021年2月。自主研发多种已经获得国家发明专利授权的生物3D打印技术和装备、生物材料、体外细胞和组织培养技术、组织处理和培养装置。基于核心技术开发多种器官组织模型和相应的检测评价服务，为基础研究、新药研发、精准医疗、再生医学等领域提供生物3D打印全产业链解决方案，实现了从设备到产品到服务的全面覆盖。
在肿瘤相关领域，赛箔与合作者共同研发基于生物3D打印技术构建的肿瘤微组织（PDT），涵盖十余个癌种，包括高发肿瘤、难治肿瘤、妇科肿瘤和儿童肿瘤，培养成功率超过了90%。通过近千例样本研究，证实PDT与患者组织具有高度一致的分子特征和药物敏感性，1-2周即可获得准确的药敏检测结果，为治疗赢取宝贵时间，并且可为新药研发企业提供药效评价、入组标准建立、适应症筛选等服务。在再生相关领域，赛箔已建立多种3D组织工程皮肤，包括表皮模型、全层皮肤模型、黑素皮肤模型等，并相应开发多种体外功效测试方法。
