Molecular Devices

100% 當樣本不再是一張靜止的切片，而是會自己震盪、會對藥物即時反應、甚至正在殺死癌細胞的免疫細胞，AI 影像分析要解決的問題，就不再是「看得到」，而是「看得懂正在發生的事」。 最近跟家人聊天，聊到一個讓人心裡一沉的觀察：乳癌不知道為什麼，好像有年輕化的趨勢。更讓人意外的是，乳癌和很多其他癌症不太一樣——一旦確診，很容易得把手術、化療、免疫治療整套走完一輪，幾乎是「全餐」等級的辛苦。 我們都希望 AI 能幫人類更快攻克這些疾病。如果有一天，癌症也能像打疫苗一樣提早預防；如果研究可以更多仰賴電影裡那種精準模擬，或是晶片、類器官這樣的替代模型，不用犧牲那麼多實驗動物，也不用讓病人承受那麼多輪人體試驗的風險與等待；如果有一天，合成一款真正屬於「這一個人」的解藥，速度快到病人睡一覺醒來就好了——那該有多好。 那一天還沒到。但在實驗室裡，有些事情已經開始改變。 把免疫細胞當成藥，藥效要怎麼量？ 「全餐」裡最新的一段是免疫治療。CAR-T、TCR-T 這類細胞治療，是把病人自己的免疫細胞改造成藥，而這種藥有一個化學小分子沒有的難題：它的藥效沒辦法用純度或濃度定義，只能回答一個問題——它殺不殺得死癌細胞，殺得有多快。 過去回答這個問題靠的是終點法：流式細胞儀、LDH release，選定一個時間點，把樣本破壞掉，數還剩多少活細胞。但毒殺是一個持續數十小時的過程，終點法只能給你過程結束後的一張快照，中間發生了什麼、什麼時候開始發生，全部看不到。 終點法只留下一個數字；即時影像留下的是整條毒殺曲線——12–24 小時內就看得出不同 CAR-T 設計的高下。 一份即時 CAR-T 毒殺定量試驗換了做法：用 ImageXpress Nano 搭配 InCarta 軟體，對 CAR-T 與癌細胞的共培養進行 72 小時縮時攝影，SINAP 深度學習分割模組經過 500 次自動再訓練，學會分辨懸浮的 T 細胞與貼附的癌細胞。在高抗原表現的癌細胞株上，CAR-T 在 24 小時內就明顯聚集包圍，低抗原表現的陰性對照則持續增生；以 Cell Index（細胞數相對起始值的變化率，小於 0 即代表細胞正在死亡）量化後， 12–24 小時內就能測得清楚的毒殺效果 ，兩種 CAR-T 設計的效力高下也被明確分開——毒殺曲線本身，就成了比較不同 CAR 設...

  AI 讀懂細胞的那一刻，原來的分析流程已經落伍 No-code AI 正在讓我們用前所未有的速度讀懂細胞在說什麼——這不只是技術進步，也是讓解藥少走一點冤枉路的方式。 前年冬天在朋友家聚會時，來了對年輕夫妻，媽媽年紀看來三十出頭，全程戴著毛帽，看來額外的孱弱，後面聊起來才知道她確診的是三陰性乳癌（Triple-Negative Breast Cancer， TNBC ） ——我捏了把冷汗，這種乳癌因為沒有荷爾蒙受體、沒有 HER2 標靶可用，能打的幾乎只剩化療。看著她虛弱到站起來都費勁，但還有個才兩歲大的孩子討抱抱，還有大好的人生等著她，可是命運既然如此殘酷，真是唏噓。 我們長期在第一線和研究人員站在一起，深知新藥和治療方法開發的不易，但源自這種對生命的熱愛，和真實生活的觸動，希望我們的技術和努力能幫忙加速研究，有機會讓更多像她一樣的病人，早一點得到有效的治療。 這幾年 AI 帶來的改變，世界正在不斷地加速——而「讀懂細胞」這件事，已經不再需要一個資深的研究人員一個個圈選，或是要懂 Python 才能做機器學習， 高內涵篩選（High-Content Screening，HCS）的問題，已經從「拍得到」變成「看得懂」——而看得懂這件事，現在研究者自己就做得到，不用再等工程師排隊。 研究者要跟上的，不是一套新軟體，是一整套「讀細胞」的方式被重寫了 三年前談 AI 影像分析，講的還是找一個懂 machine learning 的人來訓練模型；現在講的是生物學家自己用滑鼠標兩張圖就能開始。差別不在演算法有多聰明，而在門檻被砍掉了一大截 ——像 SAM（Segment Anything Model）這類基礎分割模型，本身已經看過海量圖像、學會辨認邊界在哪裡，使用者要做的只是告訴它這次的目標長怎樣， 不用從零教它什麼叫細胞 。 傳統 Threshold 分割 需寫程式的 ML pipeline No-code AI 建模門檻 免寫程式，但每批次都要人工重調 需要 Python / CellProfiler 技能 免寫程式，滑鼠標記目標與背景即可訓練 跨批次一致性 光照、染色略有差異就要重調 一致，但維護成本高 深度學習自動抓特徵，較不受微幅波動影響 上手時間 快，但長期維護成本高 慢，需要工程師介入 快，生物學家自己就能上手 這件事重要的地方，不在分析變快，而在 ...

USP <86> 上路了——你的內毒素檢測工作流程，還跟得上嗎？ 一場靜悄悄的法規革命，正在重塑藥廠與 CRO 的實驗室布局 🎧 3-Min Audio Summary 透過 NotebookLM 生成的音檔，快速掌握 USP <86> 章節更新與 LER 挑戰的核心要點： 如果你在製藥、生技或 CDMO/CRO 產業工作，「細菌內毒素檢測」（Bacterial Endotoxin Testing，BET）這個詞對你來說絕對不陌生。幾十年來，鱟試劑（LAL, Limulus Amebocyte Lysate）幾乎是這個領域無可撼動的唯一選項——直到最近，一場看似平靜、實則深刻的法規轉變，正在悄悄重新洗牌整個產業的遊戲規則。 主角是美國藥典（USP）的全新章節： <86>「使用重組試劑的細菌內毒素檢測法」 。 為什麼 USP <86> 是一件大事？ Fig 1: 內毒素檢測從鱟試劑邁向重組技術的全球法規趨勢 讓我們先回到基本面。傳統的 LAL 檢測法，原料來自馬蹄蟹（鱟）的血液。鱟血中的變形細胞，對內毒素極為敏感，這個特性被科學家開發成了半世紀來製藥業的守門人。每一批注射劑、每一支生物製劑，都得通過這道關卡，確認不含足以引發人體發燒、敗血性休克甚至死亡的革蘭氏陰性菌內毒素。 問題在哪？鱟是野生捕撈的。每年全球大約要抽取超過 60 萬隻鱟血液，抽完放回海中，但死亡率估計在 15~30% 之間。對於生態保育意識高漲的現代社會，這個數字愈來愈難以被接受。 更麻煩的是技術問題：LAL 試劑除了對內毒素有反應，對 β-葡聚醣 （β-glucan，某些真菌細胞壁的成分）也會有假陽性反應。在某些藥物基質或製程中，這種非特異性干擾會讓你的 QC 部門頭痛不已。 這就是 USP <86> 為什麼重要的核心。 <86> 章節正式承認了「重組技術」作為合法替代方案——其中最具代表性的，就是 重組因子 C 法（Recombinant Factor C, rFC）與重組級聯試劑法（rCR） 。這些方法以基因工程複製出鱟血中的關鍵凝血蛋白，不需要動物來源，對 β-葡...

🎧 3-Min Audio Summary 快速聽取本研究的核心發現與 AI 自動化技術應用亮點（純音訊導讀）： (點我播放器，支援手機播放) 📋 資源下載： 原文 Application Note 網頁 下載原始 PDF 報告 摘要 (Abstract) 本研究採用健康人類腸道類器官（HIOs），建立了一套結合 AI 自動化培養與高內涵成像的藥物毒性篩選平台。相較於傳統 2D 模型，3D 類器官能更真實反映臨床藥物引起的腸道損傷。透過 CellXpress.ai 與 ImageXpress HCS.ai 的整合，實現了從種植、加藥到複雜表型分析的全自動化流程，顯著提升了新藥開發中毒性預測的準確性與一致性。 重點： 使用健康人類腸道類器官，具備極高生理相關性。 CellXpress.ai 實現自動化培養與加藥，大幅提升實驗一致性。 ImageXpress HCS.ai 進行 AI 驅動的高內涵影像分析。 可量化毒性、適合高通量篩選，優於 2D 模型。 引言 (Introduction) 抗癌藥物常伴隨顯著的腸道毒性，而腸道上皮對化療的高敏感性更使毒性成為臨床劑量調整的重要限制因素。為了在臨床前更準確預測藥物對腸道的影響，本研究採用健康人類腸道類器官，建立一套兼具自動化與高再現性的毒性評估流程。相較於傳統 2D 細胞模型，類器官具備更貼近人體生理的三維結構與細胞組成，能更真實反映化合物對組織層級的影響。 本平台結合 CellXpress.ai 的自動化培養與加藥功能，以及 ImageXpress HCS.ai 的高內涵成像與 AI 驅動的表型分析，可定量...