时至今日，十分之九的药物会在临床试验中失败，每种药物的开发和获批需要 10 年以上的时间，期间消耗的平均成本多达 20 亿美元。造成这种现象的一个重要的潜在原因是基于细胞的体外研究和临床研究之间存在差距，通常被称为“死亡之谷”。有潜力的体外候选物经常在临床上失败，因为体外模型被证明不足以预测和转化为临床环境。
细胞是复杂的，当暴露于药物时，体外会发生意想不到的亚细胞变化。对体内毒性和潜在不良反应的预测越准确，临床试验的成功和将药物推向市场的可能性就越大。
Molecular Devices 的应用科学家和生物成像专家 Angeline Lim 博士（左）和 Core Life Analytics 联合创始人兼首席执行官 David Egan 博士（右）是本文的作者。
为了帮助提高成功的机会，药物发现界越来越多地采用表型分析模式，并结合由人工智能（AI）驱动的分析方法。表型分析是一种基于图像数据量化细胞变化的策略，例如能够系统的评估暴露于药物中的细胞形态。它帮助研究人员有效且高效的确定新的候选药物或靶标所诱导的表型，从而削减开发药物所需的成本和时间。
基于高内涵筛选（HCS）的表型分析（如 cell painting）是推进药物发现的关键，已经采用这种方法取得成功的一个例子是 Recursion，一家临床阶段的生物技术公司。Recursion 的工作流程集成了工程、实验室自动化和机器学习方面的创新，使其能够量化和处理数千种表型特征，他们的机器学习算法使他们能够发现原本会隐藏的内在关系。自 2013 年开始工作以来，Recursion 已经有 4 个临床阶段计划和 41 个早期发现项目正在筹备中。
在 Cell painting 实验中用染料染色的细胞示例，以检测关键的细胞成分
虽然药物发现的靶向方法是基于药物靶点或其在疾病中作用的特定假设，但是表型分析方法仍然可以通过捕捉与细胞表型相关的可测量的特征来撒下更大的网。Cell Painting 实验使用多达 6 种荧光染料来标记多达 8 种细胞组分和细胞器。通过转染（基因筛选）或化合物添加（小分子），培养，并用感兴趣的实验条件培养和处理细胞，孵育，然后用 Cell Painting 染料染色，再用高内涵成像系统捕获图像。人工智能驱动的软件用于将这些原始图像分割成单个细胞和特定的细胞成分，并提取细胞特征的定量测量值，例如大小，强度和纹理。这些数据用于生成详细的细胞图谱，使研究人员能够评估化合物对整个表型的影响。这种将表型变化与特定药物暴露联系起来的能力有助于研究人员缩小每种药物的作用机制。
秋水仙碱处理的 HEK293 细胞与未处理的对照细胞在表型上不同。与对照孔（4355±264）p<0.001 相比，用秋水仙碱的孔在 24 小时（646±37）后含有显著更少的细胞。
由于表型方法提供了代表细胞对特定药物的完整反应的定量数据，研究人员不再局限于单一的特定测量，这允许意想不到的新药发现。更重要的是，在 HCS 过程中收集的这种多参数数据集不受现有知识或假设的影响，从而减少了与目标方法相关的人的偏见。
HCS 的明显优势和技术进步导致它们越来越多地被用于表型分析，但它们面临着几个关键挑战。如果研究人员依赖未针对高通量图像采集进行优化的低于标准的成像技术，则会导致实验通量的限制。如果成像设备的设计不能处理高度多重的基于细胞的检测，则图像质量也存在风险，这可能导致伪影，手动执行拍照过程也可能导致问题。好消息是技术的进步和实验室自动化可用性的增加有助于克服这些低效问题。
Molecular Devices 的 ImageXpress Confocal HT.ai 高内涵成像系统采用 AgileOptix 技术，结合了强大的固态光引擎、定制光学元件、科学级 CMOS 传感器。
为了最大限度地提高成像速度、规模和质量，完美的高内涵成像仪需要几个关键功能。至少，它应该具有一个高级相机，用于具有更高分辨率的图像，集成多通道激光光源将生成具有更高信噪比的更亮图像。水镜的添加可以使研究人员在更短的曝光时间内获得更高的信号，从而提高灵敏度和图像清晰度。自动化功能在仪器和工作流程中越来越受欢迎，因为它们具有节省时间的性质。自动成像设备和以机械臂为中心的工作单元，可在仪器之间无缝移动微孔板，有助于减少工作流程中断并加快多孔板的成像速度。总之，这些创新可以更快地生成高质量图像，从而缩短图像采集和分析之间的时间。
第二个关键挑战是生成大量的数据。先进的高内涵成像设备可以产生数千兆甚至数 TB 的内容， Cell Painting 测定的参数增加，生成的数据量也将相应增加。从如此庞大的数据集中收集见解可能非常令人生畏，研究人员可以理解为要与超量数据作斗争。
Carpenter-Singh 实验室位于麻省哈佛总研究院，以创建著名的 Cell Painting 检测而闻名，该实验室建议研究人员在每个孔中拍摄九个位置。大多数筛选使用 384 孔微孔板，每个孔有 9 个位置，总共会产生 3456 张图像。
每一张图像都需要被分析，如果一个研究人员想要查看每个细胞的 1000 个特征，并且每个孔中有 100 个细胞，则总共有 100,000 个数据点。将其乘以 384 个孔，它们从一个板中捕获 38,400,000 条信息。当然，这个实验需要被重复，信息总量会进一步上升。
不难看出，如此大量的数据构成了怎样的限制，至少，它需要熟悉高级统计和机器学习或 AI 的数据科学家的专业知识。最常见的情况是，只有少数几个特征被挑选出来进行分析，而其余数据被浪费。通常传统上，要有效分析 HCS 产生的大量数据需要统计学家，数据科学家和软件开发人员共同合作。最近的一项药物靶点调查进一步说明了这个问题，约 70% 的受访者表示，培训和人才是他们将人工智能和分析应用于药物筛选的主要障碍。
为了理解大数据，研究人员需要高级分析，因此，功能强大的分析软件正日益成为主流。人工智能驱动的平台正变得越来越容易获得，使该过程民主化，并使几乎没有数据分析经验的科学家能够从他们收集的数据中收集有价值的见解。
A） Core Life Analytics 的 StratoMineR 是一个基于 Web 的平台，可指导用户完成分析高内容多参数数据的典型工作流程。
B）主成分分析（PCA）可用于数据缩减。对 PCA2 的特征贡献显示为极坐标图。
C） 3D 散点图显示了数据点之间相对于三种不同 PCA 的交互作用。请注意，三个单独的集群对应于每个治疗条件。
例如，来自谷歌研究和纽约干细胞基金会研究所的一个团队最近进行了一项深度学习和 Cell Painting 实验，揭示了原发性患者成纤维细胞中帕金森病特异性特征。这要归功于 ImageNet（一个异议识别数据集）和 CellProfiler（一种旨在测量和分析细胞图像的开源软件）。
像这样的平台和工具的可用性意味着表型分析不再局限于数据科学家。高内涵和自动化的进步正在提高满足日益复杂的细胞疾病模型不断增长的需求所需的灵活性，从而推动 HCS 的采用。
有了合适的数据分析软件，每个研究人员都可以通过它的分析产生大量信息。先进的、用户友好的数据挖掘工具极具可用性，即使是小白也可以利用 AI 的强大功能，并使他们能够通过各种数据重构查看数据。这有助于从大型数据集中收集并提出见解，挖掘新发现。
使用 StratoMineR 的交互式图形可以非常细致地探索数据。用户可以以分层聚类可视化、3D 散点图、蜘蛛图和热图的形式快速生成和导出特定数据子集的复杂可视化。
有了 HCS 和人工智能驱动的分析平台，科学家们将不再被数据洪流所淹没，而是能够利用他们的创造力和好奇心来发现和开发新的治疗方法。
参考文献：
上下滑动查看
关于美谷分子仪器
Molecular Devices 始创于上世纪 80 年代美国硅谷，并在全球设有多个代表处和子公司。2005 年，Molecular Devices 在上海设立了中国代表处，2010 年加入全球科学与技术的创新者丹纳赫集团，2011 年正式成立商务公司：美谷分子仪器 (上海) 有限公司。Molecular Devices 以持续创新、快速高效、高性能的产品及完善的售后服务著称业内，我们一直致力于为客户提供在生命科学研究、制药及生物治疗开发等领域蛋白和细胞生物学的创新性生物分析解决方案。
