我们团队持续关注AI+生物和计算生物学前沿，关注我，每日更新领域最新进展 ！

往期系列推送

药物筛选前沿论坛：从分子对接到药物虚拟细胞，大模型如何重塑药物筛选? 25-12-10

Nat Biomed Eng | scTranslator可以零样本从转录预测蛋白组，并进行虚拟敲除实验探究RNA蛋白质调控关系

AI驱动生命科学新突破：首届AI虚拟细胞大赛圆满落幕

Nat Methods | 扩散模型做虚拟细胞？Squidiff整合基因扰动、药物响应与辐射暴露数据，实现干细胞命运预测

黑言炭语

ODFormer提供了一个新的思路，即针对每种疾病构建特化的虚拟器官模型，进而用于药物筛选和预后的预测。

目录

• 一，研究概述与作者介绍
• 二，过往研究与背景
• 三，数据来源和处理
• 四，模型架构与训练方法
• 五，详细结果
• 六，局限性

一，研究概述与作者介绍

25年7月12日，BioRxiv上一篇名为 ODFormer: a Virtual Organoid for Predicting Personalized Therapeutic Responses in Pancreatic Cancer  的研究是 由中国科学院上海生物化学与细胞生物学研究所系统生物学重点实验室、海军军医大学长海医院肝胆胰外科等多个顶尖团队合作完成。研究团队开发了ODFormer 这一计算框架，旨在解决胰腺癌患者来源类器官临床转化中的高成本和技术复杂性难题。

ODFormer通过整合肿瘤转录组学和基因突变数据，模拟PC PDOs的功能，从而预测患者特异性的药物反应。其核心创新在于利用大规模预训练的双编码器提取组织和类器官特异性表征，并基于超过14,000个PDO药物反应数据点，采用Transformer增强的混合对比网络进行训练。研究表明，ODFormer在预测标准化药物反应方面显著优于现有最先进方法 。同时， ODFormer通过分析预测的应答者与非应答者识别出具有独特治疗脆弱性的新型胰腺癌亚型。此外，ODFormer指导的治疗效果与CA19-9指标的前瞻性临床反应呈现高度一致性。

二，过往研究与背景

患者来源的类器官模型 (PDOs) 是一种前沿的三维体外培养体系 ，它利用来自患者组织的少量细胞（如肿瘤细胞、干细胞或器官特异性祖细胞），在特定的基质胶和培养因子支持下，自组织生长成能够高度模拟原生器官或肿瘤结构、细胞类型和关键功能的微型组织 。

传统的药物敏感性测试主要依赖于二维细胞系模型，虽然便于高通量筛选，但其简单的平面结构无法模拟体内肿瘤的复杂微环境， 这些局限性削弱了其预测体内药效的能力。患者来源的类器官模型较好地保留了原发肿瘤的三维结构和细胞异质性，在预测患者药物反应方面展现出更高的临床相关性，并在结直肠癌、胰腺癌、卵巢癌等多种癌症中得到验证。然而，PDOs的培养通常需要数周时间，且每个药物的筛选成本高达数千美元，这使得其在常规临床应用中尤其是晚期患者中难以普及。

在此背景下， 通过整合大规模药理基因组数据（如CCLE、GDSC等二维细胞系资源），已构建出能预测药物反应的计算框架，为加速个体化用药筛选提供了新路径。尽管取得这些进展，仍存在三个相互关联的挑战：

• 现有模型大多基于缺乏生理相关性的细胞系-药物反应数据集训练；
• 当前多数模型未经过真实世界临床数据集；
• 传统转录组特征提取方法常忽略具有生物学意义的、数据集特异性信息。

同时，专门针对类器官药理基因组学的人工智能模型需求迫切。随着公共类器官组学数据集的预期增长，亟需开发适应类器官数据独特特征的计算框架。

文章核心作用与创新点

为解决这些关键局限，此研究开发了ODFormer——一个整合肿瘤转录组、突变谱和药物化学结构的AI驱动“虚拟类器官”平台 。该新方法无需体外培养PDOs或进行额外类器官药物筛选实验，从而突破了个体化药物测试的关键瓶颈。

核心作用

• 重建个体化药敏谱：基于患者肿瘤样本的转录组与突变谱数据，模型能够快速、低成本地推算其类器官对所有待测药物的体外反应值，克服了实体类器官培养周期长、成本高的瓶颈。
• 指导临床用药：通过预测药物反应值并进行排序，模型可为患者推荐敏感性最高的化疗方案或靶向药物组合，实现个体化治疗决策，提升治疗有效率。
• 识别药物敏感亚型：利用模型生成的完整药敏矩阵进行无监督聚类，能够识别具有不同药物反应模式的肿瘤分子亚型，为精准分型与分层治疗提供依据。
• 揭示耐药生物学机制：通过对比模型预测的应答者与非应答者在转录组、突变谱等方面的差异，可系统性发现与耐药相关的基因、通路或生物标志物，增强模型的可解释性。

核心创新点

• 多维预训练范式： 受大规模预训练模型启示，研究者开发了基础模型式预训练范式，通过单细胞等多领域下游任务显著增强模型泛化能力，以提炼组织与类器官特异性表征；
• 大规模高质量数据集： 从研究构建了迄今规模最大的胰腺癌PDOs药物反应数据集，涵盖183个PDOs系、98种治疗药物超过1.4万次剂量-反应曲线下面积测量，为训练和评估预测模型提供了基础资源；
• 融合编码与对比学习： 开发了基于Transformer的深度学习框架，可联合编码多组学患者特征与药物分子描述符。该架构通过混合对比损失策略优化，能自适应校准药物特异性和反应特异性阈值，平衡三元组关系约束与全局嵌入一致性，从而提升患者-药物相互作用表征的保真度。

交流群

我们【罗小罗同学】团队建立了多个【虚拟细胞】，【医学AI】，【国自然申报】等方向交流群，交流 群设立的初衷是提供交流平台，方便大家后续课题合作。

目前推销人员较多，我们开启了入群验证，可以扫码添加我的微信，拉您进群，请备注要进入的交流群方向和姓名-单位-科室/专业。

团队全平台关注量120,000+ ，交流群总成员2000+ ，大部分来自国内外顶尖院校/医院，期待您的加入！！

三，数据来源与处理

预训练数据—建立生物学表征：研究 收集了包含3万个泛癌批量RNA-seq样本、100万个单细胞RNA-seq数据以及来自TISCH2、GEO和TCGA数据库的47,721个类器官单细胞RNA-seq数据。

训练和评估数据—优化模型： 实验室生成的RNA-seq数据（335个胰腺癌样本）和患者来源类器官（PDO）药物筛选数据（涵盖183个PDO系、98种药物的14,061条剂量反应曲线）构成训练与评估数据集。ODFormer模型通过内部验证队列（91例患者）、外部验证队列（82例患者）、PDX模型（39个样本）、TCGA-PDAC队列（68例患者）、实验验证队列（24个PDO）和临床验证队列（16例患者）进行开发与验证。

四，模型架构

 

1. 双编码器

ODFormer采用基于Transformer的双编码器（类器官编码器和组织编码器 ）架构，此设计是专门用于解决体外类器官与原发肿瘤组织之间的域偏移问题。

在每个分支中，输入序列首先被转化为高维嵌入向量，随后经过特定模态的Transformer编码器与解码器进行处理，以捕捉上下文依赖关系和潜在结构。

批量分支：输入经过嵌入层处理，随后通过批量编码器进行编码。生成的潜在表征再由批量解码器解码，以重建原始输入。

类器官分支：输入通过嵌入模块和类器官编码器进行处理，并在传递给类器官解码器进行重建之前，整合额外的类器官特异性元数据。

2.药物指纹生成

药物化合物通过分子指纹进行表征，以捕获其结构与化学特性。SMILES字符串（分子结构的文本表示）通过化学信息学工具转换为摩根指纹。

3.突变信息嵌入

为将突变特异性信息整合到模型中，分类特征（如KRAS突变位点以及反映突变差异性的指标——通过格兰瑟姆距离量化）被编码到固定维度的向量空间。

4.特征拼接

处理后的RNA表达数据、药物指纹和突变嵌入向量被组合为每个样本的单一特征向量。此拼接步骤整合了多模态数据，使ODFormer能够同时利用分子与基因组信息。

5.损失函数

此研究 引入了一种混合对比学习框架， 该框架协同整合了一种自适应三元组损失函数， 其特点在于具有针对药物相似性和反应一致性的动态阈值。同时使用一个基于距离的对比学习目标， 旨在使患者嵌入向量与药理学及表型特征对齐。这一设计使模型能够灵活调整正负样本对，从而应对类器官药物反应研究中固有的数据稀疏性和异质性问题。

对比算法

五，详细结果

1.预测药物和患者层面的反应

对新药的预测能力 ： 在预测PDOs对未见过的化合物的反应时，ODFormer取得了最高的PCC（超过0.7）显著优于第二名方法。

对单个药物和组合方案的预测 ： ODFormer在预测每种单独药物（如AG方案，PCC=0.84）的反应时一致性最高。同时，在仅使用单药数据预测联合用药反应的挑战性任务中，ODFormer对13种联合疗法的预测PCC仍保持在0.6以上表现最佳。

直接基于患者肿瘤组织预测 ： 在模拟临床场景（无PDO可用）的测试中，ODFormer在预测DR-AUC和标准化DR-AUC方面，比第二名方法的PCC提高了50%以上。在个体患者水平，ODFormer是唯一能在所有病例中保持预测与观察反应间PCC超过0.80的模型。

治疗排序能力 ： 在衡量模型为患者优先排序有效疗法能力的指标（如MAP, NDCG, MRR, Hit Rate）上，ODFormer均表现出强大且一致的性能。

在独立外部队列中的验证 ： 在PDX模型中，ODFormer能显著区分出对AG、吉西他滨和曲美替尼的治疗应答者与非应答者（更低的预测DR-AUC）。 在TCGA-PDAC接受吉西他滨治疗的患者中，ODFormer同样能识别出应答组。

2. ODFormer指导的个性化治疗建议改善患者总生存期

回顾性生存分析显示，基于ODFormer预测的治疗推荐能够有效区分患者的生存获益。 对于AG方案，无论是基于真实PDO数据还是ODFormer预测，被归类为敏感组的患者若接受AG治疗，其总生存期（OS）显著长于接受替代治疗的患者；而被归类为耐药组的患者若接受AG治疗，则OS更短，这表明ODFormer的预测具有临床相关性。

3. 基于推算的药物反应发现新的治疗亚型

研究利用ODFormer填补了PDO药敏矩阵中约65%的缺失数据，基于完整矩阵聚类发现四个胰腺癌药敏亚型，其中Chemo Sen 0/1亚型对常规化疗药物敏感性最高。该亚型的转录组特征与化疗后生存优势具有一致性，据此开发的DRClassifier在外部队列中实现了化疗敏感患者的稳定识别。

4. 识别耐药生物标志物

ODFormer在敏感/耐药二元分类任务中展现出色性能（ROC AUC=0.767），预测稳定性超越现有模型。基于生存结果定义的“适应性标记”进一步提升了其临床预测价值，使模型不仅能在外部队列中区分生存结局，还能通过转录组差异分析揭示MUC2、SPINK4等已知耐药基因的表达特征，实现了预测性能与生物学机制解释的双重验证。

六，局限性

尽管ODFormer取得了显著成果，但研究团队也指出了以下几点局限性：

• 训练数据的局限性 ： 模型对新化合物或新患者预测的准确性受限于训练数据集中所代表的化学和生物学多样性。持续扩展和多样化药物基因组学数据库至关重要。
• 数据隐私与联合学习 ： 考虑到患者数据的隐私和类器官数据生成的高成本，未来计划探索联邦学习或群智学习策略，以实现去中心化的模型训练而不泄露数据。
• 多组学数据整合 ： 当前模型整合了转录组和突变数据，但加入更多的组学层面（如蛋白质组学、单细胞转录组、空间转录组、H&E病理图像）可能进一步提升预测分辨率。然而，多模态数据常存在缺失问题，需要更先进的技术处理。
• 泛化至其他癌种 ： 目前ODFormer主要在胰腺癌背景下评估，将其扩展为适用于其他癌症类型（尤其是包含靶向治疗和免疫治疗）的泛癌预测框架是未来的重要方向。