AI 讀懂細胞的那一刻，你的分析流程已經落伍
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，而在分析變得可重複。一個篩選案子如果 Z′-factor 在不同操作者、不同批次之間飄移，最先出問題的不是實驗，是這批數據能不能拿去支持下一步的決策，不管是內部的 go/no-go，還是要交給合作 CRO 對帳的那份報告。而手動調閾值最麻煩的地方，不是它做不出結果，而是同一個人在不同天調同一類影像，切出來的分割結果就可能有肉眼難辨的差異——這種操作者間、批次間的微小落差，很難靠事後的 QC 完全攔截，尤其當它還沒嚴重到讓 Z′-factor 掉出 0.5 這個可用門檻，卻已經足以讓不同天測出的 EC50 有系統性偏移。深度學習分割模型不會因為操作者換了人、心情不同、染劑批號換了就跟著漂移，這才是它真正解決的問題，不只是速度。
案例一：2D 高通量篩選，速度和穩健度這次不用二選一
一個 GPCR 螢光報告基因 assay，加上 Cell Painting 表型分析，是檢驗這套工具最直接的方式。實測數據顯示：GPCR assay 用 Cellpose 3.0 做分割，兩個獨立重複的 Z′-factor 分別是 0.75 與 0.67，EC50 落在 0.014 與 0.011，兩次跑出來的曲線幾乎疊在一起，這正是篩選團隊真正在意的可重現。Cell Painting 這端更能看出 AI 分析的價值不只在分割，還在解讀：同一批 MCF7 細胞、11 個化合物，AI 完成細胞核分割後，每顆細胞抓出 246 項特徵做表型分群，結果 doxorubicin、staurosporine、latrunculin、tetrandrine 這幾個作用機制完全不同的化合物，在表型空間裡清楚地各自成群，跟對照組拉開明顯距離——AI 不只幫你切出細胞邊界，還幫你把「這個化合物跟對照組不一樣」量化成一個可以排序、可以比較的數字。
擷取速度的提升，某種程度上是這一切的前提：widefield 平均快 100%，confocal 快 61%，同一批 Cell Painting 96 孔盤從業界常見的 162 分鐘，壓到不到 96 分鐘。少掉的不只是時間，是細胞在載台上曝光、離開培養環境的總時長，對活細胞實驗來說，這件事本身就會影響數據品質，也決定了研究者能不能早一天知道，哪個化合物值得往下走。
案例二：3D 類器官，問題不是切不切得準，是連找都找不到
類器官（organoid）分析真正的難題，往往發生在按下拍照鍵之前。類器官包埋在 Matrigel 裡，位置是隨機的，用 20X、40X 這種能看清內部結構的倍率直接掃描，很可能對到的視野裡根本沒有東西，這是做過 3D 篩選的人都懂的沉沒成本。
一份大腸直腸癌（CRC）病人來源類器官的實測資料，示範了這個問題怎麼Quick ID技術被拆解：先用 4X 低倍率快速掃過整孔，靠 AI 自動定位出類器官所在的位置，再自動切換到 20X 或 40X 重新拍攝，等於把盲拍變成瞄準後再拍。
同一份實驗還用上了 deep tissue spinning disk 技術，訊噪比比標準 60µm 孔徑盤提升 4.5 倍；另一份獨立的篩選改善資料則顯示，訊噪比對比對照儀器提升 2.6 倍，類器官分類的 Z′-factor 能穩定站上 0.7。
分割之後呢？以明場影像自行訓練的客製分割模型，抓出 386 項型態特徵，訓練出的分類器能把類器官分成完整與型態受損兩類——這批資料裡，5-FU 的 EC50 是 128 µM，chloroquine 幾乎沒有影響，trametinib 則讓類器官體積縮小了約一半，屬於抑制增生而非直接殺死的作用模式，三種化合物、三種完全不同的表型反應，AI 分析清楚地把它們區分了出來。另一份把培養、成像、分析整條流程自動化串起來的實驗，也在同一批 CRC 類器官上跑出 10 個化合物的 IC50，並加入 fibroblast 共培養，讓模型更貼近真實腫瘤微環境(TME)的複雜度。
這正是 3D 篩選跟 2D 篩選最大的差異：2D 的挑戰是切得準不準，3D 的挑戰從找不找得到開始，一路延伸到這個型態變化算不算數。
先把兩級的決策表列出來
| 樣本類型 | 傳統痛點 | AI 解法 | 驗證數據 | 關鍵指標 |
|---|---|---|---|---|
| 2D 高通量篩選 | 人工調閾值、跨批次不一致 | 深度學習分割 + 表型特徵分群 | GPCR + Cell Painting 實測 | Z′ = 0.75、擷取快 100% |
| 3D 靜態類器官 | 隨機分佈、命中率低、訊噪比不足 | 定位重拍 + 客製分割 + 型態分類 | CRC 類器官實測 | 訊噪比提升 2.6–4.5 倍、EC50/IC50 可重現 |
這兩級有一個共通點：AI 沒有取代研究者判斷這個結果合不合理，它取代的是重複調整參數、重複確認一致性的那幾百次滑鼠點擊。省下來的時間，不是拿去休息，是拿去多跑幾個化合物、多測幾個劑量點——多測的每一個劑量點，都可能是提早找到答案的機會。
但這張表還沒寫完。如果手上的樣本不只是靜態的切片影像，而是會自己震盪、會對藥物即時反應，甚至是正在殺死癌細胞的免疫細胞呢？夜深了，剩下的故事我們另外開一集來討論，看 AI 讀懂細胞這件事，怎麼真正加速了一種新藥從實驗室走到病床邊的速度。
而在那之前，請記得一件事：AI 讀懂細胞的那一刻，你的分析流程也可以不用再靠人工調閾值——省下來的每一分鐘，都可能是那位母親，或者下一個像她一樣的病人，等得起的時間。
Molecular Devices 如何加速您的研究
這篇文章談的 no-code AI 影像分析，不是紙上談兵——IN Carta 影像分析平台已經把 SINAP 深度學習分割、Phenoglyphs 表型分類、QuickID 自動定位重拍這些能力， 做成研究者自己用滑鼠就能上手的工具，MetaXpress Acquire 則負責把擷取速度這一端一起拉起來。
- IN Carta 影像分析平台：no-code AI 分割與表型分類，不用寫程式、不用等工程師排隊。
- SINAP 深度學習分割模組：解決操作者間、批次間的一致性問題。
- Phenoglyphs 表型分類：把「這個化合物跟對照組不一樣」量化成可排序、可比較的數字。
- QuickID 自動辨識重拍：3D 類器官從「盲拍」變成「瞄準後再拍」。
這一切，很快會有更強的引擎接手——敬請期待。
留言
張貼留言