本研究由韩国基础科学研究所（Korea Basic Science Institute）科学仪器中心的Jeong Ah Kim、Kyurim Paek等，与韩国大学（Korea University）、首尔国立大学（Seoul National University）的研究人员合作完成。研究成果以题为《A high-throughput biomimetic bone-on-a-chip platform with artificial intelligence-assisted image analysis for osteoporosis drug testing》的论文形式，发表于《Bioengineering & Translational Medicine》期刊，于2022年3月9日在线接受，并于2023年正式出版。
学术背景 本研究属于生物医学工程与组织工程交叉领域，具体聚焦于器官芯片（organ-on-a-chip）技术在骨骼疾病模型构建与药物筛选中的应用。骨质疏松症是一种因骨形成与骨吸收失衡导致的常见骨骼疾病，尤其在老年人群中高发。传统的体外骨模型，如二维细胞培养或Transwell系统，难以模拟体内复杂的三维骨微环境（bone microenvironment）及骨细胞间的动态相互作用。而动物模型则存在成本高、通量低、种属差异等问题，限制了其在药物早期筛选中的应用。因此，开发能够精确模拟骨功能单元——骨单位（osteon）——的生理学特征，并兼容高通量药物测试的体外模型，对于骨质疏松等骨相关疾病的新药研发至关重要。本研究旨在构建一个高通量、仿生的“骨芯片”（bone-on-a-chip）平台，该平台不仅能模拟骨单位的结构与生化微环境，还能与人工智能（artificial intelligence, AI）辅助图像分析系统相结合，用于高效、准确的骨质疏松药物测试。
详细研究流程 本研究流程系统且环环相扣，主要包含以下几个核心环节：
1. 骨芯片平台的仿生设计与制备 研究团队首先设计并制造了一种基于微孔板的高通量骨芯片装置。该装置的核心是一个基于聚二甲基硅氧烷（PDMS）的微结构凝胶单元，其形状模拟了骨单位的同心圆结构：中心圆形腔室用于装载包含骨细胞的3D水凝胶，模拟骨细胞（osteocyte）嵌入骨基质的状态；周围区域则用于接种成骨细胞（osteoblast），模拟成骨细胞环绕骨单位的构型。这种水平排列的共培养设计，相较于垂直分层的Transwell系统，更有利于细胞间的直接相互作用，且便于在同一焦平面进行光学观察。芯片通过软光刻技术制造，并使用定制夹具精确键合到玻璃底微孔板上，确保了装置的均一性和高通量兼容性，便于与高内涵筛选（high-content screening, HCS）系统联用。
2. 仿生细胞外基质（ECM）的构建与优化 为了模拟天然的骨基质微环境，研究团队创新性地使用了成骨细胞来源的去细胞化细胞外基质（osteoblast-derived decellularized ECM, OB-DECM）。他们从MC3T3-E1小鼠前成骨细胞中提取并制备了OB-DECM，并将其与I型胶原（Collagen I）混合，形成Col/OB-DECM复合水凝胶。通过系统优化，确定了最佳组成为2 mg/ml胶原蛋白与1 mg/ml OB-DECM。力学性能测试（杨氏模量、储能模量）表明，OB-DECM的加入显著增强了水凝胶的机械强度。细胞活力实验证实，与单纯胶原凝胶相比，IDG-SW3小鼠骨样细胞在Col/OB-DECM复合凝胶中存活率更高，为后续的骨细胞功能研究提供了更优的3D培养环境。
3. 骨细胞在OB-DECM中的功能验证 将IDG-SW3细胞嵌入优化后的Col/OB-DECM凝胶中，置于骨芯片中心腔室进行培养和成骨分化。通过定量实时聚合酶链反应（qRT-PCR）检测骨细胞分化标志物表达。结果显示，与单纯胶原组相比，培养第7天时，Col/OB-DECM组中早期（ALP, Phex, PDPN）和晚期（DMP1, Sost, FGF23）成骨标志物基因表达均显著上调，表明OB-DECM能有效促进骨细胞早期分化。此外，免疫荧光染色和图像分析发现，Col/OB-DECM组中的IDG-SW3细胞核形态更细长（核形状指数NSI更低），并呈现围绕中心特定角度（约120度）排列的趋势，这种排列方式更接近体内骨细胞的取向。酶联免疫吸附试验（ELISA）进一步显示，Col/OB-DECM组细胞内的连接蛋白43（Connexin 43, Cx43）水平显著升高，提示OB-DECM可能通过增强细胞间通讯（gap junction）来调控细胞行为和排列。
4. 骨细胞与成骨细胞共培养的协同效应研究 在骨芯片平台上，将嵌入Col/OB-DECM凝胶的IDG-SW3细胞（中心）与MC3T3-E1前成骨细胞（外围）进行共培养。qRT-PCR结果显示，共培养显著促进了IDG-SW3细胞的成熟（第7天多个标志物表达大幅上调，第14天晚期标志物FGF23持续高表达）。同时，共培养也强力促进了MC3T3-E1细胞的增殖（CCK-8 assay显示细胞数量显著增加）和成骨分化（Runx2, OSX, OPG等标志物表达上调）。这些结果证明，该芯片平台能有效模拟骨细胞与成骨细胞在体内的相互调控，协同增强成骨功能。研究还将该平台与传统的Transwell系统进行了对比，发现骨芯片在促进骨细胞标志物表达和成骨细胞增殖方面均显著优于Transwell，凸显了其水平共培养构型在促进细胞间直接相互作用方面的优势。
5. 骨质疏松药物概念验证测试 为验证该平台在药物筛选中的应用潜力，研究选择以抗硬化蛋白（Sclerostin， Sost）抗体（模拟已上市药物Romosozumab的作用机制）作为概念验证药物。Sost由骨细胞分泌，能抑制成骨细胞的Wnt/β-catenin信号通路，从而抑制骨形成。抗Sost抗体可阻断这一抑制，促进β-catenin入核，激活成骨。实验设计如下：先将IDG-SW3细胞在芯片中培养10天使其成熟并分泌Sost，然后接种MC3T3-E1细胞并立即给予抗Sost抗体处理，继续共培养4天后分析。免疫荧光染色显示，药物处理组的MC3T3-E1细胞中，β-catenin更多地定位在细胞核内。通过CellProfiler软件构建图像分析流程，定量分析了β-catenin的总荧光强度和核转位率。结果显示，与未处理组相比，药物处理组的β-catenin总强度和核转位率均提高了约2倍，且差异具有高度统计学显著性，证明了该药物在芯片模型中能有效激活Wnt通路。
6. 人工智能辅助图像分析算法开发 为了高效、客观地处理从高通量骨芯片平台获得的大量荧光图像数据，研究团队开发了一套基于卷积神经网络（Convolutional Neural Network, CNN）的深度学习算法，用于自动分类“药物处理”与“未处理”图像。他们构建了两个数据集：BN（β-catenin和细胞核通道图像）和BNM（β-catenin、细胞核及两者的合并通道图像）。通过图像分割、数据增强（随机缩放、水平翻转）等技术扩充数据集，并构建了一个包含卷积层、池化层、Dropout层和全连接层的CNN模型进行训练。采用10折交叉验证评估模型性能。最终，该算法在测试集上取得了极高的分类准确率（BN数据集97.2%， BNM数据集99.5%）和ROC曲线下面积（AUC， BN为0.99， BNM为1.00），证明了其能够稳定、高效地基于细胞图像特征来评估药物效应。
主要结果 1. 平台构建成功：成功开发了一种基于微孔板、模拟骨单位结构的高通量骨芯片平台，该平台整合了仿生的OB-DECM基质和骨细胞-成骨细胞水平共培养体系。 2. OB-DECM增强骨细胞功能：OB-DECM能显著提升骨细胞在3D环境中的存活率，促进其早期分化标志物表达，并诱导细胞产生类似体内的排列方式和更高的Cx43表达。 3. 共培养产生协同效应：在骨芯片平台上，骨细胞与成骨细胞的共培养能相互促进对方的成熟与功能。骨细胞加速成骨细胞增殖与分化，而成骨细胞也促进骨细胞的成熟。 4. 平台性能优于传统系统：在促进成骨相关基因表达和细胞增殖方面，该骨芯片平台显著优于传统的Transwell共培养系统。 5. 药物测试验证有效：使用抗Sost抗体进行的测试表明，该平台能够检测到药物引起的β-catenin核转位这一关键药效学变化，证明其可用于基于机制的抗骨质疏松药物评价。 6. AI分析实现自动化：开发的深度学习算法能够以极高的准确率自动识别药物处理效应，为高通量图像数据的快速、标准化分析提供了强大工具。
这些结果层层递进：首先证明了平台核心组件（OB-DECM和共培养构型）的有效性；然后通过对比实验证明了平台的整体优越性；最后将平台应用于具体的药物测试场景，并结合AI分析，完整展示了其从模型构建到数据输出的全流程应用价值。
结论与价值 本研究成功构建了一个集仿生性、高通量、自动化分析于一体的骨芯片平台。其科学价值在于：1）创新性地将OB-DECM这一天然活性基质与微流控芯片技术结合，更真实地模拟了骨基质的生化与力学微环境；2）通过独特的水平共培养设计，有效再现了骨单位内骨细胞与成骨细胞的空间关系和相互作用，为研究骨生理和病理提供了更优的体外模型。其应用价值在于：1）该平台与标准微孔板兼容，便于操作，可实现并行化实验，大大提高了药物测试的通量和效率；2）结合自主开发的AI图像分析算法，实现了对药物效应快速、客观、标准化的评估，减少了人为偏差。该平台有望成为骨质疏松等骨相关疾病药物研发中一种强大的转化工具，为临床前研究提供高效、可靠的替代模型。
研究亮点 1. 高度仿生的设计：从材料（OB-DECM）和结构（模拟骨单位）两个层面模拟天然骨微环境，超越了单纯使用合成支架或简单共培养的传统方法。 2. 高通量与易用性结合：基于微孔板的芯片设计，使其能够无缝对接实验室现有的高通量筛选设备，极大提升了实用性和可推广性。 3. 智能化数据分析：并非仅停留在平台构建，而是前瞻性地整合了深度学习图像分析，解决了高通量实验产生的海量图像数据的处理瓶颈，实现了从实验到分析的闭环。 4. 完整的验证链条：研究不仅验证了平台的生物学功能（细胞分化、相互作用），还进行了实际药物测试的概念验证，并展示了优于传统方法的性能，论证充分。
其他有价值内容 文章在讨论部分也指出了当前研究的局限性及未来方向：例如，本模型尚未包含破骨细胞（osteoclast），而骨重塑过程涉及成骨细胞、骨细胞和破骨细胞三者的精密调控。未来将三种细胞同时共培养，将能更全面地模拟骨代谢平衡，用于研究如Romosozumab这类兼具促进骨形成和抑制骨吸收双重作用药物的全面药效与潜在副作用，使模型更具生理相关性和预测价值。