利用微流控和人工智能增强细胞表征：

机械、电气和混合技术的综合综述

微流控与人工智能：细胞表征的新突破

在生物医学研究中，细胞表征是理解细胞功能和疾病机制的关键步骤。传统的细胞分析方法往往依赖于群体平均数据，忽略了细胞间的个体差异。然而，近年来，微流控技术和人工智能的结合为单细胞表征带来了革命性的变化。本文综述了微流控技术在细胞表征中的最新进展，特别强调了机械、电气和混合方法的应用。这些技术不仅大幅提高了分析通量和精度，还为个性化医疗和临床应用提供了新的可能。

微流控技术：让细胞分析更精准

微流控技术通过在微米尺度上精确操控流体，实现了对单细胞的高通量、实时分析。它利用微通道、电场、声场等多种物理手段，对细胞的机械特性（如弹性、黏性）和电气特性（如膜电容、细胞质导电性）进行量化分析。例如，通过微流控芯片中的微通道，可以精确测量细胞在通过狭窄通道时的变形能力，从而区分健康细胞和病变细胞。此外，结合人工智能算法，微流控系统能够自动处理和分析大量数据，进一步提高了细胞表征的效率和准确性。这种技术的结合不仅为癌症早期检测、干细胞研究等提供了强大的工具，也为未来个性化医疗的发展奠定了坚实的基础。

要点

• •微流控技术的最新进展通过机械、电学和混合方法提升了细胞表征能力。

• •高通量系统、阻抗细胞仪和电旋转技术能够实现高效的细胞分析。

• •机械和电学表征方法革新了细胞刚性和电学特性研究。

• •混合表征方法提高了通量、准确性和单细胞特征提取。

• •人工智能和机器学习的集成有望为个性化医疗和临床应用提供更快、更准确的分析。

图 1 微流控器件+人工智能表征示意图。

图 2  微流控器件不同应用的示意图。

另外，在“大橡科技”公众号上新发布的一篇文章也可作为一个案例：特附后供学习参考！

原题：《肿瘤芯片+可视化+AI——肺癌侵袭研究智能范式新突破》

肺癌是全球首要癌症死因，晚期诊断导致5年生存率仅9%。理论而言，若能在癌细胞系统性扩散的起始阶段，即有效干预上皮间质转化（EMT）、遏制局部侵袭并阻断血管内化，便有望最大限度地削弱或预防其蔓延，从而显著改善肺癌患者的临床预后。鉴于此，构建一种能够精准模拟EMT驱动下癌细胞血管内化的人体微生理模型，显得尤为迫切且至关重要。

传统体内模型，如鸡胚、荧光转基因斑马鱼和小鼠模型，在评估癌症细胞侵袭时，或通过测量循环肿瘤细胞数量进行间接评估，或通过无创、高分辨率成像技术进行直接评估，但其极低的转化率严重限制了对人类反应的预测效果。

此前的体外模型也存在不足：例如，Transwell迁移/侵袭实验，囿于其二维（2D）内皮单层的设计，未能真实再现完整的血管屏障功能，从而过度简化了真实的肿瘤微血管环境；而三维（3D）水凝胶中的球体模型，虽能窥见肿瘤细胞侵入血管腔的动态，却未能验证功能性血管结构。

在此背景下，肿瘤芯片模型正异军突起，成为探究肿瘤微环境及其对癌症内渗与转移影响的强大利器。然而，长期以来，学界仍亟待一种能够同时模拟原发肿瘤经上皮间质转化（EMT）发生局部侵袭，并继而进入微循环这两种关键生理事件的整合模型。

此外，尽管机器学习在细胞生物学研究中渐露锋芒，但此前研究多聚焦于细胞迁移和球体突出动力学等指标，未曾直接对血管内侵袭事件进行精准评估。

近日，香港中文大学Anna Blocki团队于国际权威期刊《Bioactive Materials》（影响因子：20.3）上发表了一项里程碑式的研究。以前所未有的视角，首次在体外实现了由上皮间质转化（EMT）特异性驱动的癌细胞向功能性微血管网络（MVNs）侵袭的全程可视化，并巧妙融合机器学习技术，完成了侵袭事件的自动化精准量化（全文概览见图 1）。这一突破性平台展现出优异的可重复性，为以高时空分辨率研究相关肺癌病理过程开辟了新途径，有望进一步应用于药物研发和高通量筛选。

01

研究亮点

● 开发出包含癌细胞球体和微血管网络的人类癌症血管内侵袭芯片模型。

● 巨噬细胞条件培养基中加入TGF-β1可诱导显著的EMT。

● EMT促进癌细胞膜突起形成，推动其血管内侵袭。

● 通过机器学习技术，可智能量化血管内侵袭事件。

图1 文章概览图：在微流控芯片上培养内皮细胞和上皮癌细胞，加入EMT诱导物，生成肺癌侵袭模型，并通过机器学习技术进行智能可视化监测和量化分析血管内侵袭事件。

02

研究简介

1. 细胞培养与微流控芯片制备

● 细胞系：使用A549（非小细胞肺癌）、THP-1（单核细胞）、NCI-H1975（非小细胞肺癌）和BEAS-2B（正常肺上皮细胞）等进行实验，在各自适宜的培养基中培养。

● 微流控芯片设计：采用三通道微流控设备，中央通道用于嵌入癌细胞球体和微血管网络，两侧通道模拟血流。

● 芯片制备：通过软光刻技术制造芯片，中央通道涂覆聚-L-赖氨酸（PLL）水溶液。

2. 实验及结果

● 微环境模拟：

在3D细胞培养中加入大分子拥挤效应（MMC）培养基，以增强细胞外基质沉积和基底膜形成，模拟细胞内高浓度分子环境，使实验更接近人体条件。

● EMT诱导：

使用巨噬细胞条件培养基（M-CM）和TGF-β1的组合作为EMT诱导剂（EMT-IC）。融合巨噬细胞条件培养基（M-CM）与TGF-β1，成功构建出一种高效的EMT诱导剂（EMT-IC）。实验证实，该EMT-IC能显著驱动A549肺癌细胞完成从经典的立方形态到侵袭性纺锤形形态的转变，同时伴随着上皮标志物E-钙粘蛋白表达的明显下调，以及间充质标志物波形蛋白和SNAI2、ZEB1、ZEB2等EMT相关基因的显著上调。功能性验证进一步印证，EMT-IC能强力提升A549细胞的迁移与侵袭潜能。

● 癌细胞内渗的促进：

在芯片上模拟肺癌内渗时，将EMT-IC添加到肺肿瘤微团和MVNs的共培养体系中。结果显示，在短短24小时的接触时间里，EMT-IC便显著促进了A549迁移细胞伸出膜突，精准地插入微血管结构，并继而成功实现了内渗这一关键步骤。

● EMT-IC对微血管网络（MVNs）稳定性的影响：

值得关注的是，即便在微流控设备中引入MVNs并施加EMT-IC，MVNs的结构稳定性及生理相关屏障功能均未受到显著影响，即使在与A549球体进行共培养的复杂环境下亦是如此（如图 2 所示）。然而，深入的Western blot分析揭示，暴露于EMT-IC的MVN中，基底膜关键蛋白层粘连蛋白和血管连接蛋白VE-钙粘蛋白的表达水平有所下降，这一变化可能预示着血管壁对内渗细胞的渗透性将有所增加。

图2  EMT-IC对MVNs稳定性和完整性的影响。在与EMT-IC或对照培养基（不含TGF-β1的未处理EGM-2）孵育24小时后，对MVNs进行层粘连蛋白（laminin）、连接蛋白（vinculin）和VE-钙粘蛋白（VE-cadherin）的免疫染色。F-肌动蛋白（F-actin）通过鬼笔环肽（phalloidin）染色可视化。(A) 三通道微流控设备的图片和尺寸。(B) 代表性显微照片，显示在有或无EMT-IC引入的微流控设备中，HUVEC细胞在第3天形成MVNs 24小时后的情况。(C) 使用ImageJ血管生成分析仪插件对每视野总管状长度和血管连接点数量进行量化。(D) 共聚焦显微镜Z轴堆栈图像，显示层粘连蛋白和连接蛋白共染色的正交视图。白色线条表示横截面位置，侧面显示正交横截面。(E) 共聚焦显微镜Z轴堆栈图像，显示VE-钙粘蛋白和F-肌动蛋白共染色的最大投影。(F) 层粘连蛋白和 (G) VE-钙粘蛋白的Western blot及其光密度条带分析，标准化至第4天收集样本各自的GAPDH水平。蛋白质水平以倍数变化表示，并与对照组进行比较。(H) 芯片上癌症模型的示意图。**，p < 0.01；****，p < 0.0001。n = 3个生物学重复。

3. 模型普遍适用性和细胞特异性敏感性

为验证模型的广谱适用性与细胞特异性，进一步引入了高转移性肺癌细胞系NCI-H1975和正常肺上皮细胞系BEAS-2B。实验数据清晰地表明，不同肺癌细胞系的基线内渗潜能及其对EMT-IC的响应程度，均与它们固有的转移倾向高度吻合，这有力地印证了本模型卓越的普遍适用性与细胞特异性敏感度。

4. 机器学习辅助量化

本研究的一大亮点在于引入了人工智能机器学习（ML）辅助的定量分析方法。通过对荧光预标记的A549球体与MVNs进行24小时连续活细胞成像，旨在实现未来实时、动态的血管内侵袭观察（相关流程如图3所示）。

图3 机器学习辅助的血管内侵袭评估示意图。(A)血管分割：训练过程中，蓝色线条代表背景；品红色线条代表血管；蓝色实心区域代表自动分割识别出的血管；(B)肿瘤血管接触定量：绿色实线区域代表ML分割出的血管；品红色代表荧光标记的A549细胞；与球体重叠的品红色代表二值化后的A549细胞球体图像；(C)ML辅助下每个球体内渗事件的自动识别与量化。∗∗∗，p< 0.001。对照组：72个球体；EMT-IC：从11个生物学重复中收集的107个球体。

作者开发了一个图像分析工作流程，用于分割血管和癌细胞，并分析它们的共定位，以无偏地量化内渗事件。使用TWS（可训练的 Weka 分割法）插件可靠地分割癌球体周围的MVNs。结合基于阈值的癌球体分割，通过计算分割血管区域内荧光标记癌细胞颗粒的数量作为内渗事件的代表。本研究中将红色标记的A549细胞在绿色标记MVNs内的任何定位定义为血管内侵袭事件。通过开发出来ImageJ 脚本促进高通量自动化图像分析。

活细胞成像证实，在EMT-IC存在下，癌细胞脱落和迁移增加，且A549细胞通过膜突起扩展接近邻近MVNs的速率加快。

与手动计数相比，ML辅助的工作流程展现出相似的趋势，并在总事件数量上略有增加，这强有力地表明ML能够检测到人眼可能遗漏的内渗事件。

此自动化方法，凭借其对肿瘤球体与内皮细胞间荧光信号重叠的智能利用，展现出卓越的普遍适用性，为精准描绘内渗事件提供了无偏倚的工具。

03

结语

能够对癌细胞侵袭的动态过程进行精细的实时分析与可视化，其深远意义不言而喻。

它不仅赋予追踪单个癌细胞命运的能力，更重要的是，为药物研发领域注入了强大的高通量筛选新动能。回溯过往，高达90%以上的药物在临床阶段铩羽而归，其症结多在于体外模型的过度简化或动物实验结果与人类反应的不可转化性。而今，凭借革新技术，药物候选物有望实现“快速失败-早期失败”的优化策略，这将显著削减研发成本，并有效降低对传统动物实验的依赖。此举不仅极大提升了药物开发的整体效率，更与当今社会高度关注的伦理责任相得益彰。

展望未来，该领域的研究前景广阔，将为药物开发、个性化患者治疗方案的制定以及癌症进展的精准预后，开启无限可能，带来划时代的显著改善。

文献来源：

1. Taha, Pappa, Saleh, Alazzam (2025) Enhancing cell characterization with microfluidics and AI: 

a comprehensive review of mechanical, electrical, and hybrid techniques. Biotechnol Rep (Amst)

http://www.ncbi.nlm.nih.gov/pubmed/40735651http://dx.doi.org/10.1016/j.btre.2025.e00905

2.Wong C W T, Lee J Z X, Jaeschke A, et al. Lung cancer intravasation-on-a-chip: Visualization and machine learning-assisted automatic quantification[J]. Bioactive Materials, 2025, 51: 858-875. http://dx.doi.org/10.1016/j.bioactmat.2025.06.028.

3.https://mp.weixin.qq.com/s/67ipp89XZd-JjMS07aAUCA?clicktime=1754026860&enterid=1754026860&scene=126&sessionid=1754026855&subscene=227