类器官与模式生物虚拟响应建模

摘要（TL;DR）

• OSCAR 在小鼠与人 ICO 类器官中以调控网络活性为读出开展单细胞 CRISPR 筛选，鉴定出 c-Fos 扰动加速肝细胞分化成熟、Ubr5 缺失起相反作用 [1]。
• 胃肿瘤类器官在 TP53/APC 双敲背景下筛选顺铂基因-药物互作，发现 DNA 修复通路的转录组趋同及蛋白岩藻糖化与顺铂敏感性的关联 [2]。
• 宫颈鳞癌方向将 NF1 定位为恶性转化的首要抑制因子，其缺失把 5~10 年癌变压缩至 3~6 个月 [3]。
• Perturb-FISH 把 MERFISH 与 gRNA 原位扩增结合，在 THP1 巨噬细胞 LPS 响应体系中验证敲除效应与 Perturb-seq 一致 [4]。
• Stereo-seq 基准工作用系统分析多类干细胞来源类器官，保留 5 种类器官分析、4 种用于区域分析，并指出造血与悬浮肾类器官存在转录扩散、单细胞注释困难 [5]。
• CINEMA-OT 用独立成分分析与功能依赖统计分离混杂与处理相关因素，再通过加权最优传输进行因果细胞配对，其假设依赖独立性与线性 [6]。
• 局部晚期直肠癌类器官与 III 期临床试验的共临床试验数据显示，类器官反应与患者化放疗反应高度匹配，准确率 84.43%、灵敏度 78.01%、特异性 91.97% [7]。
• Trellis 在单细胞水平检测 2500 余个 CRC PDO 与 CAF 的 PTM 信号、DNA 损伤、细胞周期与凋亡，发现 CAF 可通过促进 proCSC 向 revCSC 转变保护癌细胞抵抗化疗 [8]。
• 一项研究将 TabICL 和 TabPFN 与 PRESAGE、scGPT、scLAMBDA、STACK、Prophet 等专用模型对比，发现表格基础模型在伪 bulk 扰动预测上持续优于专用基线 [9]。
• 跨物种迁移的真实泛化边界仍有待统一评测，Nicheformer 的独立基准结果未完全复现 [10]，而多数模型的局限尚未明确 [11][12]。

1 背景与定义

类器官与模式生物虚拟响应建模的边界，可以从"扰动—读出—预测"三要素来划定。纳入本方向的工作必须同时具备扰动实验与建模/预测成分：遗传扰动（CRISPR 敲除、CRISPRi/a、Perturb-seq）[1] [2]、药物扰动 [7] [13]、形态发生素等环境扰动 [14]，读出覆盖单细胞转录组、空间转录组、影像与功能表型 [4] [5] [15]。仅做类器官构建或培养方案、无扰动与建模的工作不在范围内；纯细胞系扰动预测归虚拟细胞方向；单一基因敲除的常规表型描述亦被排除。这一边界意味着，本方向的核心不是"能否养出类器官"，而是"能否在类器官或模式生物上施加可控扰动，并把响应外推为可检验的预测"。

从演化脉络看，该方向经历了三个阶段的叠加。第一阶段以患者来源类器官（PDO）的药敏与临床对应为主线：胰腺癌 PDO 生物库测试 76 种药物并揭示 MTAP 相关敏感性 [16]，直肠癌类器官与 III 期临床试验共临床数据匹配、准确率 84.43% [7]，卵巢癌 36 个 PDO 重现患者间与患者内异质性、88% 患者可找到有效药物 [17]。这一阶段的贡献是确立了"类器官反应可对应患者结局"的经验基础，但预测多为统计关联而非机制模型 [18]。第二阶段把扰动从药物扩展到遗传筛选，并把读出从 bulk 活力推进到单细胞与空间：OSCAR 以调控网络活性为读出绕开低丰度转录因子估计难题 [1]，胃肿瘤类器官建立切割/CRISPRi/CRISPRa/单细胞全套筛选体系 [2]，Perturb-FISH 实现扰动与转录组的原位空间联合读取 [4]。第三阶段是跨物种与基础模型化：从 CellOT 的最优传输映射 [19]、CAME 的异质细胞-基因图对齐 [20]，到 SATURN [21]、UCE [11]、GeneCompass [22]、LucaCell [23] 等大规模预训练模型，目标从"整合数据"转向"构建可迁移的通用细胞状态表征"。

核心问题可归纳为四组张力。 其一是扰动复杂度与读出保真度的张力：3D 类器官筛选技术难度高 [2]，单细胞噪声与 dropout 制约低丰度转录本估计 [1]，空间转录组在类器官上的 RNA 捕获效率低于参考组织、部分类器官类型存在转录扩散 [24] [5]。其二是体外响应与患者结局的对应张力：PDO 预测价值已在多癌种获得支持，但多数研究为观察性、临床效用证据有限，建立率与周转时间仍影响落地 [18]；前瞻性证据多来自小样本 [25]，长期药敏稳定性仍待验证 [26]。其三是跨物种迁移的泛化边界：现有模型多依赖各自基准，Nicheformer 的独立基准结果未完全复现 [10]，多数模型的局限尚未明确 [11] [12]。其四是基础模型相对简单基线的增益：统一评测显示无模型全面占优、排名随模态与预处理而变 [27]，VCBench 更报告基线在五个可测维度中的四个匹配或超越所有基础模型 [28]。

方向的定义性特征还在于"虚拟"一词的双重含义。 一方面，它指用计算模型替代或补充物理实验，如 CellOT 从非时间分辨的未配对单细胞数据学习扰动响应映射 [19]、CINEMA-OT 用加权最优传输做因果细胞配对 [6]、DiRL 用强化学习导航基因表达潜空间优化多步扰动策略 [29]。另一方面，它指向类器官尺度的数字孪生：AIVOs 框架以虚拟细胞乃至虚拟类器官为最小可执行单元，按数据层-模型层-交互层组织，将计算模型与物理类器官及临床决策闭环耦合，并提出虚拟干细胞、功能细胞和肿瘤细胞作为可复用基元 [30]。这一框架同时点出类器官对 Matrigel 的依赖、批次差异大、手动操作、终点测量与可扩展性等限制 [30]，说明虚拟响应建模的动机部分正来自物理体系的这些固有约束。

评测与数据资源构成该方向的基础设施层。 跨物种细胞景观以 Microwell-seq 分析小鼠、斑马鱼、果蝇超 260 万细胞并整合 15 物种 [31]；Nicheformer 在超 1.1 亿细胞、5383 万空间细胞、73 组织上预训练 [10]；BrainBeacon 基于 1.33 亿空间分辨细胞覆盖四物种五平台 [12]；Speciesformer 在含 1.31 亿细胞的 SpeciesCorpus 上预训练以区分保守原理与物种特异变异 [32]。基准方面，统一框架与 VCBench 分别从条件依赖泛化 [27] 与七维能力评测 [28] 两个角度给出互补但分歧的结论。这些资源与基准的共同缺口在于：跨物种迁移的真实泛化边界、类器官空间读出的标准化、以及预测模型临床效用的前瞻性验证，均尚无统一答案。

2 方法学

2.1 类器官与器官芯片扰动建模

类器官扰动建模的核心挑战之一，是如何在三维结构中把遗传扰动与转录组读出对应起来。OSCAR 在小鼠与人 ICO 类器官中开展单细胞 CRISPR 筛选，以调控网络活性而非单基因表达作为读出，从而绕开低丰度转录因子在噪声与 dropout 下难以准确估计的问题；据此鉴定出 c-Fos 扰动加速肝细胞分化成熟，而 Ubr5 缺失起相反作用，并按调控效应排序 [1]。同一思路在胃肿瘤类器官中被扩展为切割、CRISPRi、CRISPRa 与单细胞筛选的全套体系，在 TP53/APC 双敲背景下筛选顺铂基因-药物互作，发现 DNA 修复通路的转录组趋同以及蛋白岩藻糖化与顺铂敏感性的关联 [2]。宫颈鳞癌方向则把单细胞转录组、CRISPR-Cas9 筛选与类器官建模串联，将 NF1 定位为恶性转化的首要抑制因子，其缺失把 5~10 年癌变压缩至 3~6 个月，恢复 NF1 诱导凋亡，AI 设计的 NF1 模拟肽可降低肿瘤负荷 [3]。

扰动读出正在从"解离后测序"走向"原位空间读出"。Perturb-FISH 把 MERFISH 与 gRNA 原位扩增结合，在 THP1 巨噬细胞 LPS 响应体系中验证敲除效应与 Perturb-seq 一致，并进一步揭示细胞密度和邻居扰动对基因回路的影响，在 ASD 风险基因 CRISPRi 筛选中同步记录钙活动与表达，并展示于肿瘤异种移植 3D 组织 [4]。其限制在于 gRNA 仅 20 bp、难以像 mRNA 一样 tiling，且需原位扩增，3D 组织应用仍有限 [4]。与之互补的是空间全转录组基准工作：一项研究用 Stereo-seq 系统分析脑、心肌、心瓣膜、肾、肺、软骨、造血等多类干细胞来源类器官，优化 poly-L-赖氨酸包被与通透条件，评估 UMI/基因捕获，保留 5 种类器官分析、4 种用于区域分析，并指出造血与悬浮肾类器官存在转录扩散、单细胞注释困难 [5]；其预印本版本报告了 7 种类器官的同类流程与低于参考组织的 RNA 捕获效率 [24]。

形态发生素梯度下的区域化是类器官扰动建模的另一类"外源扰动"。多重单细胞转录组筛选显示，形态发生素的时序、浓度与组合强烈影响人神经类器官的细胞类型与区域组成，且细胞系和神经诱导方法本身影响响应，微流控梯度与静态多孔板浓度处理被并列比较 [14]。在群体尺度上，皮层脑类器官的多重化策略被系统比较：在类器官生成时混合细胞系的 mosaic 策略与单细胞建库前混合的下游策略均可重建神经发育轨迹，配套的 SCanSNP 去卷积方法实现基因型识别，从而把遗传变异与发育轨迹表型关联起来 [33]。

单细胞扰动效应的因果推断方法也在向类器官场景迁移。CINEMA-OT 用独立成分分析与功能依赖统计分离混杂与处理相关因素，再通过加权最优传输进行因果细胞配对，在模拟与真实数据中优于现有方法，并应用于气道类器官病毒感染/烟雾及 PBMC 细胞因子组合刺激 [6]。其假设依赖独立性与线性，潜在混杂因素可能影响估计 [6]。强化学习则被用于多步扰动策略优化：DiRL 把分化建模为目标条件序列决策问题，在 iPSC 来源类器官数据上训练智能体导航基因表达潜空间，对随机扰动胜率 69%，并恢复 Wnt 与 Hedgehog 通路的顺序调控因子 [29]。

药物扰动建模方面，患者来源类器官的预测价值已在临床试验框架内被检验。局部晚期直肠癌类器官活体生物库与 III 期临床试验的共临床试验数据显示，类器官反应与患者化放疗反应高度匹配，准确率 84.43%、灵敏度 78.01%、特异性 91.97% [7]。头颈鳞癌方向建立了 HPV 阴性 HNSCC 的 PDO 与 TransferNet-PDO 单细胞 CNN 分类器，结合 H&E 与全外显子测序，发现 PDO 保留原发肿瘤克隆结构（含低频亚克隆），并对顺铂、西妥昔单抗、仑伐替尼、放疗及放化疗显示临床相关敏感性；其局限包括正常上皮或基质细胞过度生长、克隆性难以跨传代保持、新鲜手术标本获取受限 [34]。多组学嵌入路线则整合 135 个 CRC/PDAC PDO 的 WES、bulk RNA-seq 与药敏数据生成多模态患者表征，用机器学习预测药物 AUC，并在嵌入空间中识别 KRAS 抑制剂敏感或耐药富集的分子邻域 [35]。

微环境细胞对类器官药效的调控被单细胞质谱流式捕捉。Trellis 树基治疗效应分析在单细胞水平检测 2500 余个 CRC PDO 与 CAF 的 PTM 信号、DNA 损伤、细胞周期与凋亡，发现靶向细胞周期阻断和 DNA 损伤效应常见，而凋亡罕见且患者特异；CAF 可通过促进 proCSC 向 revCSC 转变保护癌细胞抵抗化疗 [8]。该工作的预印本版本方法与 Cell 论文一致，但未提供具体数据规模与定量结果 [36]。另一条路线用急性切片培养保留肿瘤微环境，从 7 例 GBM 手术标本制备 500 μm 切片，在 24 小时内完成多药扰动并经 microwell scRNA-seq 去卷积细胞类型特异药物反应 [37]。

药筛平台的工程化改造集中在通量、动态性与读出灵敏度三个方向。自动化微流控平台兼容 Matrigel 凝胶培养，可对数百个培养物施加组合与动态药物处理并实时监测，支持长期培养与程序化刺激 [13]。微流控单细胞来源类器官（STO）阵列通过亲水涂层微孔随机捕获单细胞、藻酸-壳聚糖膜包裹原位培养数千 STO，识别出耐药 STO 及差异表达基因，候选药经 STO 阵列再验证有效；其通量与标准化仍受限，单细胞来源代表性需更多临床验证 [38]。读出端则出现非破坏性物理信号方案：AFM 纳米机械振动检测结合 CNN 分类，在患者来源胃类器官中 pM 级紫杉醇即可检测振动变化、早于形态改变，分类准确率 97%，但依赖 AFM 设备、通量有限 [39]。心脏方向把开源微型荧光显微镜改造为长工作距离 LWD-Miniscope 并与 heart-on-a-chip 整合，以 228 lp/mm@60 帧/秒 的分辨率成像类器官钙瞬变，规避传统 MEA 与膜片钳劳动密集、低通量且不适用于 3D 类器官的问题 [40]。

图像与视频表型建模把类器官形态异质性转化为可预测的读出。结直肠癌类器官的图像 profiling 在 31360 张明场图中识别出囊性与实性两个亚型，囊性活性更高，深度生成模型预测凋亡强度与真值相关 0.91 [15]。PDO 延时显微视频路线用 SAM 分割与 DI-NOv2 处理帧、注意力机制融合时空特征预测 ATP 活力，结果优于非时间分辨方法，可实时评估单个 PDO 的药物反应 [41]。SCOPE 则整合 AI 图像分析类器官活力与生长追踪及数学建模，提出 GV 评分与 CCTR 两个新指标，把药物反应分为细胞毒、细胞静止加细胞毒、延迟细胞毒、细胞静止四类 [42]。视网膜类器官方向采集 988 个类器官、117249 张明场延时图像，深度学习模型可在 RPE 与晶状体组织可见出现前很早期准确预测其发生与大小及整体形态相似性，明确了组织结局决定时间窗；监督学习对大量高质量标注数据的依赖是主要限制 [43]。

类器官成熟度与几何设计构成扰动建模的上游变量。心脏类器官中，短暂激活 AMPK 与 ERR 可诱导转录组、蛋白质组、收缩功能与代谢能力的成熟，MK8722+DY131 使 cTnI 显著升高、TNNI3 比例达 18%（约 20 周胎儿心脏水平），DM-hCOs 可建模复杂疾病并用于药物测试，但成年心脏特性仍未完全实现、长期电起搏有毒性 [44]。几何设计方面，微图案化生成的 230 个心脏类器官覆盖 7 种几何设计，基于收缩运动与钙瞬变的 10 项功能变量，结合流形学习、无监督聚类与集成学习，可无偏降低异质性并识别形状决定的生理属性；该工作仅观察分化第 20 天，样本量与几何设计有限，未验证长期功能 [45]。疾病建模与药筛的闭环在 Leigh 综合征中体现为：基于 Leigh 脑类器官 scRNA-seq 的细胞类型特异性深度学习药物重定位算法，与 ΔSHY 酵母中 2250 种 FDA 药物的存活筛选独立收敛于唑类化合物，其中 sertaconazole 与 talarozole 可促进神经定向并挽救中脑类器官异常生长率与乳酸释放 [46]。

值得注意的是，上述工作在扰动类型、读出层级与验证强度上差异显著，不宜横向比较数字高低。遗传筛选类研究多以调控网络或单基因敲除效应为终点 [1] [2]，药物反应类研究则以患者临床反应或 ATP 活力为金标准 [7] [41]，而空间与因果推断方法更多停留在方法学验证阶段 [4] [6]。共同的技术张力在于：单细胞噪声与 dropout 制约低丰度转录本估计 [1]，3D 类器官筛选本身技术难度较高 [2]，空间转录组在类器官上的 RNA 捕获效率低于参考组织且部分类器官类型存在转录扩散 [24] [5]，而多数预测模型的临床转化价值仍待系统验证 [35]。

2.2 模式生物扰动响应模型

在细胞扰动响应预测方向，通用表格基础模型与领域专用模型的比较已有系统评估。一项研究在四个互补评估设置中，将 TabICL 和 TabPFN 与 PRESAGE、scGPT、scLAMBDA、STACK、Prophet 等专用模型对比，覆盖五个 Perturb-seq 数据集、CD4+ T 全基因组 CRISPR 及斑马鱼图谱，发现表格基础模型在细胞水平跨类型预测持平或更优，在伪 bulk 扰动预测上持续优于专用基线，在胚胎组成预测中具竞争力；作者同时指出未覆盖所有生物尺度，专用模型在部分任务仍可能更优 [9]。

在跨物种扰动与疾病响应建模方面，两项工作分别针对动脉粥样硬化和脑区图谱展开。前者建立跨物种多阶段框架，整合人晚期稳定与不稳定斑块单细胞数据及多时间点小鼠模型，鉴定出富集于不稳定病变的 PIM 单核细胞群，并衍生 362 基因血液特征，用可解释深度学习筛选 20 基因 panel 区分不稳定与稳定病例，但摘要中 AUC 数值不完整、临床验证规模未明 [47]。后者构建猕猴、狨猴和小鼠小脑皮层单细胞空间转录组图谱，发现灵长类特异 Purkinje 细胞和分子层中间神经元亚型及 GRID2 表达差异，区域选择性表达在灵长类主要位于颗粒层、小鼠位于 Purkinje 层，基因表达梯度与清醒 fMRI 功能连接梯度匹配 [48]。两项研究均以跨物种比较为核心，但前者聚焦疾病事件预测，后者侧重进化与功能组织，尚未见直接的模型性能对照。

2.3 跨物种迁移

跨物种迁移的早期工作主要沿两条路线展开：一是以最优传输直接学习控制态与扰动态之间的映射，二是以图神经网络对齐细胞与基因嵌入。CellOT 用输入凸神经网络参数化对偶势，从非时间分辨的未配对单细胞数据中学习扰动响应映射，在黑色素瘤药物响应、狼疮与胶质瘤患者活检、跨物种 LPS 响应及造血命运演化任务上优于线性潜空间位移类方法，但其泛化依赖训练队列异质性的捕获 [19]。CAME 则针对非模式物种缺乏细胞标志物的问题，将参考与查询物种的表达矩阵及同源基因映射编码为异质细胞-基因图，在 649 对跨物种数据集上优于 Seurat-v3、Cell BLAST、ItClust、scArches、LIGER、CSMF 等六种基准方法，并支持一对多/多对多同源映射与基因模块提取，但依赖同源基因映射质量，测序深度不一致仍影响整合 [20]。

随后，跨物种建模转向以大规模预训练基础模型构建通用细胞嵌入。SATURN 通过耦合基因表达与蛋白语言模型嵌入，将功能相关基因分组为宏基因并映射到联合低维空间，在哺乳动物 335,000 细胞 9 组织图谱及蛙与斑马鱼胚胎数据上实现远缘物种注释迁移，优于基于序列相似性或一对一同源的传统整合方法 [21]。UCE 则以完全自监督方式在无标注细胞图谱上训练，构建含 3600 万细胞、1000+ 细胞类型、8 物种的 Integrated Mega-scale Atlas，新细胞无需再训练或微调即可映射 [11]。GeneCompass 走知识注入路线，在 scCompass-126M 的 1.017 亿人鼠单细胞上预训练，整合启动子、GRN、基因家族和共表达四类先验知识，在细胞注释、扰动预测、剂量响应与 GRN 推断等任务达到或接近 scGPT、Geneformer、UCE、scFoundation 等 SOTA，但其覆盖主要限于人和鼠 [22]。LucaCell 则刻意摆脱固定基因 ID，用预训练 mRNA 序列嵌入表示基因、将表达离散分箱后以 Transformer 编码，在 8500 万人鼠单细胞上预训练，实现无手动映射的跨物种注释，并扩展至染色质、50+ 原核与 5 株流感病毒载量预测 [23]。

在空间与特定组织维度上，模型设计出现分化。Nicheformer 联合人和鼠的解离单细胞与靶向空间转录组数据，在 SpatialCorpus-110M 的 超 1.1 亿细胞、5383 万空间细胞、73 组织上预训练，在空间依赖下游任务上系统性优于 Geneformer、scGPT、UCE、CellPLM 等，并能将空间背景迁移至解离 scRNA-seq 数据 [10]。BrainBeacon 专注全脑空间转录组，基于 1.33 亿空间分辨细胞、210194 mm²、人/猕猴/狨猴/小鼠四物种五平台数据，采用两阶段训练整合基因表达排序、空间组织与保守遗传关系，实现跨物种脑细胞类型与解剖区域对齐并揭示衰老空间调控机制 [12]。小鼠专用模型方面，mouse-Geneformer 基于 Transformer 编码器与 Rank Value Encoding，用 1089 个数据集、过滤前 1.19 亿细胞构建 mouse-Genecorpus-20M 自监督预训练，评估细胞类型分类与 in silico 扰动并探索跨物种应用，但仅用健康野生型小鼠数据，跨物种效用尚待验证 [49]。

数据资源与生成式建模进一步拓展了迁移的边界。跨物种细胞景观研究用 Microwell-seq 分析小鼠、斑马鱼和果蝇不同生命阶段超 260 万细胞并结合公开数据整合 15 物种，发现结构炎症与线粒体功能障碍为衰老常见标志，激活线粒体代谢可缓解小鼠衰老表型 [31]。小胶质细胞图谱整合 scRNA-seq 与空间转录组、处理批次与模态效应，在 >20 万小胶质细胞中识别出稳态、干扰素响应、吞噬/激活等保守亚型，以及高表达 APOE、TREM2、GPNMB 的保守 LAM 状态 [50]。Speciesformer 则把进化表征学习与虚拟细胞状态生成结合，在含 1.31 亿细胞的 SpeciesCorpus 上预训练，目标是在学习可迁移细胞状态与状态转变的同时，区分保守生物学原理与物种、组织及细胞环境特异变异 [32]。值得注意的是，上述模型在跨物种能力上的比较多依赖各自基准，Nicheformer 的独立基准结果未完全复现 [10]，而多数模型的局限（如 UCE、BrainBeacon 全文未获取）尚未明确 [11][12]，跨物种迁移的真实泛化边界仍有待统一评测。

2.4 虚拟组织与数字孪生建模

类器官平台虽重塑了体外人类生物学研究，却仍受批次差异、纵向读数稀疏和规模化障碍的限制。为此，有综述提出 Artificial Intelligence Virtual Organoids（AIVOs），亦称硅基类器官，即计算空间中实例化的类器官尺度数字孪生，以虚拟细胞乃至虚拟类器官作为最小可执行单元 [30]。该框架将多模态与纵向测量融合为通用状态表征，并使用受生物物理先验约束的虚拟仪器来模拟检测 [30]。

在方法组织上，该工作以数据层-模型层-交互层为主线，综合多模态组学、高内涵成像与空间 profiling 等文献，将计算模型与物理类器官及临床决策闭环耦合 [30]。其提出虚拟干细胞、功能细胞和肿瘤细胞可作为可复用基元，用于连接单细胞表征与类器官乃至患者尺度模拟，应用场景指向类器官数字孪生与药物筛选，并以传统类器官、AIVC 和器官数字孪生作为对照参照 [30]。该综述同时指出类器官对 Matrigel 的依赖、批次差异大、手动操作、终点测量以及伦理成本与可扩展性等限制 [30]。

3 数据资源与基准

在类器官与模式生物的虚拟响应建模中，基准资源的可用性直接影响扰动解读的可比性。该研究构建了覆盖人海马发育过程的单细胞图谱，并将其作为基准用于评估家族性阿尔茨海默病（fAD）脑类器官，方法上属于单细胞图谱基准评估脑类器官，场景聚焦海马发育与fAD建模 [51]。

该工作的核心问题在于iPSC来源脑类器官存在区域身份、成熟状态和细胞组成异质性，作者据此采用连续发育人海马单细胞图谱校准fAD类器官中的神经发育相关扰动，并强调fAD突变对早期海马发育过程的影响需要在统一发育参照下解读 [51]。

4 与临床响应的对应

患者来源类器官（PDO）与临床反应的对应关系已在多癌种中建立，但证据强度因研究设计而异。胰腺癌PDO生物库对30例样本行WGS、RNA-seq和组织学表征并测试76种药物，发现PDO重现肿瘤组织学与遗传改变，并揭示临床未利用的敏感性，如PRMT5抑制剂EZP015556对MTAP阴性及部分阳性肿瘤有效[16]。胃癌研究从73例组织建成57个类器官（成功率78%），高增殖类器官富集REG4、KLF4、ERBB3、HRAS、NOTCH1、MYC，可传至17代[52]。卵巢癌36个全基因组特征PDO保留原肿瘤基因组特征，重现患者对新辅助卡铂/紫杉醇的反应，88%患者对至少一种药物高响应[17]。这些结果共同支持PDO在分子与表型层面忠实反映亲本肿瘤。

前瞻性验证是判断预测效用的关键，但各研究结论并不一致。 转移性结直肠癌PDO测试对伊立替康±5-FU的活检病灶反应预测准确率超过80%，且未误分类不应治疗的患者[53]。胶质母细胞瘤GBO药物敏感性检测与无进展生存强相关，且比MGMT启动子甲基化状态更准确预测TMZ个体反应，并鉴定lazertinib为有效候选药物[54]。骨肉瘤PDO可预测新辅助化疗反应与长期生存，整合类器官活力指标形成功能性精准肿瘤学框架[55]。但结直肠癌肝转移的前瞻性观察研究仅30例患者、39个类器官，主要终点为体外药敏与体内客观反应的一致性，随访时间有限[25]；高级别浆液性卵巢癌类器官的长期药敏稳定性仍需进一步验证[26]。可见前瞻性证据多来自小样本，确定性推荐尚不充分。

预测准确性的比较研究提供了跨模型视角。 一项系统综述与荟萃分析纳入411对患者-模型配对（267 PDX、144 PDO），患者与匹配模型的总体治疗反应一致率为70%，PDX与PDO之间无显著差异，敏感性、特异性、阳性与阴性预测值相当；PDO应答者无进展生存延长，而PDX仅在低偏倚风险配对中成立[56]。该分析提示两类模型在转化研究中互补，但需更多前瞻性研究才能给出确定性推荐。

传统生物标志物与类器官功能检测之间存在替代与补充的张力。 胶质母细胞瘤中GBO-DST优于MGMT甲基化[54]；卵巢癌EOC_Os重现原发肿瘤组织病理与分子特征、维持肿瘤异质性且突变谱一致，可用于指导个体化治疗决策，但其临床应用仍待确定[57]。卵巢癌OCOs研究构建191个类器官（来自123例患者），原发肿瘤来源类器官预测准确性最高，转移灶次之，腹水来源较低[58]。这提示类器官的预测能力受取材部位影响，并非所有来源等效。

建模方法正从单一药敏向多参数与计算模型扩展。 肺癌CODRP整合AUC、类器官生长率与癌症分期，在PFS预后分析中优于传统AUC方法[59]。乳腺癌研究将HUB类器官RNA-seq与TCGA数据整合，构建类器官定制预测模型识别耐药培养物，并进行386化合物10剂量高通量筛选，耐药模型筛选出有效方案并在亚型匹配患者中显示生存获益[60]。PharmaFormer基于自定义Transformer架构和迁移学习，用类器官药物反应数据微调后在TCGA肿瘤队列上预测临床反应，显著优于SVR、MLP、RF、KNN和Ridge等经典方法[61]。IPTO系统将患者肿瘤外植体培养于iPSC来源脑类器官中，覆盖成人、儿童和转移性脑癌，前瞻性预测患者特异药物响应及耐药机制[62]。

总体而言，PDO与临床反应的对应已在多癌种获得支持，但证据存在明显异质性。 系统综述指出PDO有潜力预测治疗反应，但需满足分析效度、临床效度和临床效用，建立率与周转时间仍影响临床落地，且多数研究为观察性、临床效用证据有限[18]。转移性胃肠癌PDO生物库虽显示与原肿瘤高度相似并可预测临床反应，但样本来自重度预处理患者，未明确前瞻性验证[63]。各研究在癌种、样本量、对照设置与终点定义上的差异，使得跨研究直接比较数字高低缺乏依据，未来需结构良好的前瞻性队列验证。

5 评测、可复现性与争议

单细胞与空间基础模型的评测正从碎片化单任务走向统一框架，但两项基准给出的结论并不一致。一项统一框架对 Nicheformer、CellPLM、scGPT-spatial、GenePT、scELMo、Novae 六个模型在 scRNA-seq、空间转录组与 Perturb-seq 上评测零样本与持续预训练聚类、监督注释、标记基因一致性和扰动预测，发现无模型全面占优，排名随模态、预处理、token 化、生物先验、域偏移和指标选择而变，并指出模型对域偏移脆弱、可解释性有限 [27]。另一项 VCBench 则把四个虚拟细胞框架整合为七个能力维度（扰动响应预测、跨物种普适性、基因调控网络推断、模态整合、时序动态、多尺度整合与 in silico 实验），对 Geneformer、scGPT、UCE、TranscriptFormer、Arc State 及预注册线性/KNN 基线在五个可测维度上评测，报告基线在其中 4 个维度匹配或超越所有基础模型，仅 TranscriptFormer 在跨模态 RNA-蛋白预测上 Pearson 提升 53% [28]。

两项工作的分歧集中在基础模型相对简单基线的增益上：统一框架强调性能高度条件依赖、排名不稳 [27]，VCBench 则更直接地显示基线在多数可测维度上不落下风 [28]。可复现性方面，两者都受评测覆盖限制——前者指出域偏移与可解释性问题 [27]，后者明确多尺度整合与 in silico 实验无法端到端测试，且跨模态结果存在污染警告 [28]。

6 空白与趋势

趋势一：扰动读出从解离测序向原位空间与多模态闭环迁移，但类器官上的空间扰动读出仍缺标准化基准。 Perturb-FISH 已把 gRNA 原位扩增与 MERFISH 结合，在 3D 肿瘤异种移植中同步读取扰动与转录组 [4]；Stereo-seq 类器官空间全转录组工作则提供了跨多类器官的流程优化与区域分析范式 [5] [24]。但两者尚未合流：空间扰动读出在类器官体系中的捕获效率、gRNA 检测灵敏度与区域注释标准仍无统一评测，且现有空间类器官数据多来自单一平台、单一物种 [5]。这是"扰动×空间×类器官"三要素交叉处最明显的空白。

趋势二：跨物种基础模型从"对齐嵌入"走向"序列中心与知识注入"，但真实泛化边界未被统一评测。 早期路线以最优传输或异质图对齐细胞与基因嵌入 [19] [20]，随后转向大规模预训练：SATURN 用蛋白语言模型宏基因实现远缘物种注释迁移 [21]，GeneCompass 注入启动子/GRN/基因家族/共表达四类先验 [22]，LucaCell 刻意摆脱固定基因 ID 以支持无对齐微生物嵌入 [23]，Speciesformer 则把进化表征学习与虚拟细胞状态生成结合 [32]。问题在于这些模型的跨物种能力多依赖各自基准：Nicheformer 的独立基准结果未完全复现 [10]，UCE、BrainBeacon 等全文未获取、局限不明 [11] [12]，mouse-Geneformer 仅用健康野生型小鼠数据、跨物种效用待验证 [49]。目前没有人做的是：在统一扰动任务（同一 Perturb-seq 或同一药物面板）上横向比较这些跨物种模型的小鼠→人迁移增益，并给出域偏移下的失效边界。

趋势三：基础模型评测出现"条件依赖"与"基线不落下风"两种结论，虚拟细胞评测本身尚未收敛。 统一框架对六个单细胞/空间模型评测后发现无模型全面占优、排名随模态与指标变化、对域偏移脆弱 [27]；VCBench 则在七个能力维度上报告预注册线性/KNN 基线在其中 4 个维度匹配或超越所有基础模型，仅 TranscriptFormer 在跨模态 RNA-蛋白预测上 Pearson 提升 53% [28]。两项工作的分歧本身就是一个空白信号：评测覆盖受限（多尺度整合与 in silico 实验无法端到端测试、跨模态结果存在污染警告 [28]），且没有专门面向类器官与模式生物扰动响应的评测基准——现有 Perturb-seq 评测多来自细胞系或 PBMC，斑马鱼胚胎组成预测仅作为表格基础模型的补充设置出现 [9]。

趋势四：类器官药敏与临床结局的对应证据在癌种间快速积累，但前瞻性验证与取材部位等效性仍是结构性缺口。 系统综述与荟萃分析纳入 411 对患者-模型配对，报告总体一致率 70%、PDX 与 PDO 无显著差异 [56]，但多数原始研究为观察性、临床效用证据有限 [18]。取材部位的影响已被量化：卵巢癌 191 个类器官中原发肿瘤来源预测准确性最高、转移灶次之、腹水来源较低 [58]，而高级别浆液性卵巢癌的长期药敏稳定性仍需验证 [26]。没人系统做的是：把取材部位、传代数、培养时长作为协变量纳入预测模型，并给出跨癌种可迁移的"类器官-临床"校准曲线；现有前瞻性证据多来自小样本（如结直肠癌肝转移仅 30 例患者、39 个类器官 [25]）。

趋势五：心脏/血管类器官的扰动建模开始与成熟度工程和几何设计耦合，但跨物种迁移到人心脏的响应预测仍近乎空白。 心脏方向已有成熟度诱导（AMPK+ERR 激活使 TNNI3 比例达 18%、约 20 周胎儿水平 [44]）与几何设计优化（230 个类器官、7 种几何、10 项功能变量 [45]）两条上游变量控制路线，读出端也有 LWD-Miniscope 整合 heart-on-a-chip 实现 228 lp/mm@60 帧/秒 钙瞬变成像 [40]。但本方向清单中，心脏/血管类器官的扰动响应预测研究明显少于肿瘤类：跨物种动脉粥样硬化工作虽从 PIM 单核细胞衍生 362 基因血液特征并筛选 20 基因 panel [47]，但其验证规模与 AUC 数值不完整，且未与心脏类器官药敏数据对接。把心脏类器官的成熟度状态、几何设计与跨物种单细胞图谱联合建模以预测患者心脏毒性或药物响应，目前没有对应工作。

趋势六：虚拟类器官/数字孪生框架已被提出，但从概念框架到可执行、可评测的类器官尺度模型之间仍是空白。 AIVOs 综述提出以数据层-模型层-交互层为主线、以虚拟干细胞/功能细胞/肿瘤细胞为可复用基元、与物理类器官和临床决策闭环耦合的框架 [30]，并明确指出 Matrigel 依赖、批次差异、手动操作、终点测量与可扩展性等限制 [30]。但该框架目前是综述层面的组织方式，不是可运行、可基准测试的模型：清单中没有出现以类器官为最小单元、在统一扰动任务上评测的数字孪生实现，也没有把类器官纵向影像、空间转录组与药敏数据整合为状态表征并做闭环预测的实证研究。这是本方向从"概念"走向"可评测对象"的关键缺口。

阶段判断与行动建议

整体判断：这个方向整体处于朝阳期偏早期——「类器官扰动→临床响应」这条最成熟的链路（2.1、4）已经收敛并被多癌种重复验证，属于成熟；但真正带建模与预测成分的部分（跨物种迁移、虚拟组织、评测基准）仍在方法爆发期，雷达样本中 2024–2026 年占 55%、CNS 占比 22%，说明新工作密集且高影响力出口仍在打开。窗口期判断：跨物种迁移 + 类器官扰动建模的结合点大约还有 1–2 年，因为基础模型（[11]、[10]）正在快速吞并通用表征层，留给「领域特化建模」的空间在收窄；而评测与基准（第 5 节）几乎空白，是更长的窗口。最大不确定性有三点：一是跨物种迁移缺乏 ground truth，小鼠/斑马鱼到人的响应映射没有公认验证集，方法好坏难以判定；二是类器官药敏与患者结局的对应虽成熟但效应量不稳定，不同癌种、不同 readout 之间可比性差；三是虚拟组织/数字孪生（2.4）目前只有概念工作，是否真能形成可评测任务尚不确定。

接下来怎么做：

1. 做「类器官扰动 + 空间读出的跨模态预测基准」。切入点：用已公开的类器官 CRISPR/药物扰动数据（[4] 的 CRISPR+空间同步读出范式）配合患者来源类器官药敏数据（[63]、[53]），构建「扰动→空间/单细胞响应」的预测任务与统一评测。为什么现在做：第 5 节评测方向雷达样本仅 2 篇且都是 2026 年新出（[27]、[28]），基准是稀缺品，先做即占位。产出：一个可复用的 benchmark + 基线模型，直接对接他的公共数据 demo 合作项目。

2. 把跨物种迁移做成「响应空间对齐」而非「细胞类型对齐」。切入点：以 [19] 的神经最优传输为骨架，输入小鼠/斑马鱼扰动单细胞数据、输出人源响应预测，用 [31] 的跨物种细胞图谱做同源锚点。为什么现在做：现有基础模型（[11]、[10]）解决的是通用表征，没有解决「扰动响应」的跨物种外推，这是空档。产出：跨物种扰动响应预测方法 + 在类器官数据上的验证。

3. 用类器官做「患者结局对应」的建模升级，而不是再做一轮药敏验证。切入点：第 4 节已成熟（[63]、[16]），增量做药敏已无优势；应把类器官药敏作为中间表型，建模「类器官响应→患者结局」的映射并量化不确定性。为什么现在做：成熟意味着数据积累足够训练映射模型，而 [18] 这类工作仍停留在预测标志物层面，未做端到端映射建模。产出：类器官→临床的响应映射模型，可与他的衰老/多模态建模合作项目结合。

4. 优先切心脏/血管类器官 + 跨物种，避开肿瘤红海。切入点：肿瘤类器官药敏已被大量占据（第 4 节 top 全为肿瘤），而心血管方向在雷达样本中仅以摘要形式出现（[47] 跨物种动脉粥样硬化单细胞重构），竞争少且符合纳入标准中「心脏/血管类器官优先」。为什么现在做：该方向证据薄（2.2 仅 3 篇），先入者可定义任务与数据标准。产出：心血管类器官扰动响应数据集 + 跨物种迁移模型。

5. 把「虚拟组织/数字孪生」当作长期押注，先用小规模 demo 验证可行性。切入点：以 [30] 的 AI 虚拟类器官概念为框架，用现有类器官影像 + 单细胞 + 空间数据做一个小规模「扰动→组织形态预测」demo。为什么现在做：2.4 雷达样本仅 1 篇、属萌芽，风险高但一旦成立回报大；且他的多模态建模背景正好匹配影像+组学融合。产出：概念验证论文 + 可扩展的数据管线，为后续申请打基础。

参考文献

1. In-organoid single-cell CRISPR screening reveals determinants of hepatocyte differentiation and maturation.. Genome biology 2023. https://doi.org/10.1186/s13059-023-03084-8
2. Large-scale CRISPR screening in primary human 3D gastric organoids enables comprehensive dissection of gene-drug interactions.. Nature communications 2025. https://doi.org/10.1038/s41467-025-62818-3
3. Single-Cell Analysis Guides Organoid CRISPR Screening to Reveal NF1 as a Gatekeeper of Cervical Squamous Malignant Transformation.. Cancer Research 2026. https://doi.org/10.1158/0008-5472.CAN-25-5315
4. Simultaneous CRISPR screening and spatial transcriptomics reveal intracellular, intercellular, and functional transcriptional circuits.. Cell 2025. https://doi.org/10.1016/j.cell.2025.02.012
5. Application of spatial transcriptomics across organoids for a high-resolution, spatial whole-transcriptome benchmarking dataset. iScience 2026. https://doi.org/10.1016/j.isci.2026.115827
6. Causal identification of single-cell experimental perturbation effects with CINEMA-OT.. Nature methods 2023. https://doi.org/10.1038/s41592-023-02040-5
7. Patient-Derived Organoids Predict Chemoradiation Responses of Locally Advanced Rectal Cancer.. Cell Stem Cell 2019. https://doi.org/10.1016/j.stem.2019.10.010
8. Trellis tree-based analysis reveals stromal regulation of patient-derived organoid drug responses.. Cell 2023. https://doi.org/10.1016/j.cell.2023.11.005
9. Tabular Foundation Models Are Competitive Cellular Perturbation Predictors Across Biological Scales. bioRxiv 2026. https://doi.org/10.64898/2026.06.28.735106
10. Nicheformer: a foundation model for single-cell and spatial omics. bioRxiv 2024. https://doi.org/10.1038/s41592-025-02814-z
11. Universal Cell Embeddings: A Foundation Model for Cell Biology. bioRxiv 2026. https://doi.org/10.1101/2023.11.28.568918
12. BrainBeacon: A Cross-Species Foundation Model for Single-cell Resolved Brain Spatial Transcriptomics. bioRxiv 2025. https://doi.org/10.1101/2025.07.08.663729
13. Automated microfluidic platform for dynamic and combinatorial drug screening of tumor organoids. Nature Communications 2020. https://doi.org/10.1038/s41467-020-19058-4
14. Decoding morphogen patterning of human neural organoids with a multiplexed single-cell transcriptomic screen. bioRxiv 2024. https://doi.org/10.1101/2024.02.08.579413
15. Image-based profiling and deep learning reveal morphological heterogeneity of colorectal cancer organoids. Comput. Biol. Medicine 2024. https://doi.org/10.1016/j.compbiomed.2024.108322
16. Pancreatic cancer organoids recapitulate disease and allow personalized drug screening. Proceedings of the National Academy of Sciences of the United States of America 2019. https://doi.org/10.1073/pnas.1911273116
17. Patient-Derived Ovarian Cancer Organoids Mimic Clinical Response and Exhibit Heterogeneous Inter- and Intrapatient Drug Responses.. Cell Reports 2019. https://doi.org/10.1101/2019.12.12.19014712
18. Patient-derived organoids as a predictive biomarker for treatment response in cancer patients. npj Precision Oncology 2021. https://doi.org/10.1038/s41698-021-00168-1
19. Learning single-cell perturbation responses using neural optimal transport. bioRxiv 2021. https://doi.org/10.1038/s41592-023-01969-x
20. Cross-species cell-type assignment from single-cell RNA-seq data by a heterogeneous graph neural network. bioRxiv 2021. https://doi.org/10.1101/gr.276868.122
21. Toward universal cell embeddings: integrating single-cell RNA-seq datasets across species with SATURN. Nature Methods 2024. https://doi.org/10.1038/s41592-024-02191-z
22. GeneCompass: deciphering universal gene regulatory mechanisms with a knowledge-informed cross-species foundation model.. Cell research 2024. https://doi.org/10.1038/s41422-024-01034-y
23. LucaCell: a sequence-centric foundation model for cross-species single-cell analysis. bioRxiv 2026. https://doi.org/10.64898/2026.09.08.750024
24. Application of spatial transcriptomics across organoids: a high-resolution spatial whole-transcriptome benchmarking dataset. bioRxiv 2026. https://doi.org/10.1101/2025.05.04.651803
25. Prospective comparison of patient-derived organoid drug screening with standard guideline recommendations for colorectal cancer liver metastasis.. Journal of Clinical Oncology 2026. https://doi.org/10.1200/jco.2026.44.16_suppl.e15609
26. Longitudinal prediction of drug response in high-grade serous ovarian cancer organoid cultures aligning with clinical responses. bioRxiv 2024. https://doi.org/10.1016/j.jare.2025.08.009
27. Harmonised benchmarking of foundation models for single-cell and spatial transcriptomics reveals context-dependent generalisation. 2026. https://arxiv.org/abs/2607.17227
28. VCBench: A Multi-Dimensional Benchmark for Single-Cell Foundation Models. bioRxiv 2026. https://doi.org/10.64898/2026.06.18.733146
29. Reinforcement learning enables single-cell foundation models to learn cellular differentiation. bioRxiv 2025. https://doi.org/10.64898/2025.12.09.693267
30. Artificial Intelligence Virtual Organoids (AIVOs).. Bioactive materials 2025. https://doi.org/10.1016/j.bioactmat.2025.12.030
31. Construction of a cross-species cell landscape at single-cell level. Nucleic Acids Research 2022. https://doi.org/10.1093/nar/gkac633
32. Speciesformer learns conserved cellular states for cross-species generative virtual cell modeling. . https://doi.org/10.64898/2026.09.22.752128
33. Multiplexing cortical brain organoids for the longitudinal dissection of developmental traits at single-cell resolution.. Nature methods 2024. https://doi.org/10.1038/s41592-024-02555-5
34. Integrating artificial intelligence-driven digital pathology and genomics to establish patient-derived organoids as new approach methodologies for drug response in head and neck cancer.. Oral oncology 2025. https://doi.org/10.1016/j.oraloncology.2025.107742
35. Abstract 494: Multi-omics patient-derived organoid embeddings predict targeted therapy response and KRAS inhibitor sensitivity.. Cancer Research 2026. https://doi.org/10.1158/1538-7445.am2026-494
36. Trellis Single-Cell Screening Reveals Stromal Regulation of Patient-Derived Organoid Drug Responses. bioRxiv 2023. https://doi.org/10.1101/2022.10.19.512668
37. Deconvolution of cell type-specific drug responses in human tumor tissue with single-cell RNA-seq. Genome Medicine 2020. https://doi.org/10.1186/s13073-021-00894-y
38. Single-Cell-Derived Tumor Organoid (STO) arrays on a microfluidic chip for personalized drug screening to address heterogeneity-induced drug resistance in colorectal cancer. Microsystems & Nanoengineering 2025. https://doi.org/10.1038/s41378-025-01068-1
39. Deciphering Anti‐Cancer Drug Efficacy Through Nanomechanical Vibrations in Living Gastric Cancer Organoids. Advancement of science 2026. https://doi.org/10.1002/advs.76878
40. Heart‐on‐a‐Miniscope: A Miniaturized Solution for Electrophysiological Drug Screening in Cardiac Organoids. Small 2024. https://doi.org/10.1002/smll.202409571
41. Spatio-Temporal Analysis of Patient-Derived Organoid Videos Using Deep Learning for the Prediction of Drug Efficacy. 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW) 2023. https://doi.org/10.1109/ICCVW60793.2023.00425
42. Systematic modeling of phenotypic drug response profiles in patient-derived organoids. bioRxiv 2026. https://doi.org/10.64898/2026.07.29.741618
43. A deep learning-based computational pipeline predicts developmental outcome in retinal organoids.. PLoS biology 2026. https://doi.org/10.1371/journal.pbio.3003597
44. Maturation of human cardiac organoids enables complex disease modeling and drug discovery.. Nature cardiovascular research 2025. https://doi.org/10.1038/s44161-025-00669-3
45. Design optimization of geometrically confined cardiac organoids enabled by machine learning techniques.. Cell reports methods 2024. https://doi.org/10.1016/j.crmeth.2024.100798
46. Accelerating Leigh syndrome drug discovery through deep learning screening in brain organoids.. Nature communications 2026. https://doi.org/10.1038/s41467-026-71391-2
47. Abstract 4372183: Cross-species single-cell reconstruction of atherosclerosis reveals predictive monocytes for acute coronary events. Circulation 2025. https://doi.org/10.1161/circ.152.suppl_3.4372183
48. Cross-species single-cell spatial transcriptomic atlases of the cerebellar cortex. Science 2024. https://doi.org/10.1126/science.ado3927
49. Mouse-Geneformer: A deep learning model for mouse single-cell transcriptome and its cross-species utility. bioRxiv 2024. https://doi.org/10.1371/journal.pgen.1011420
50. Single-Cell Atlas of Microglia Reveals Conserved and Divergent Cell Populations in Mouse and Human Brain 2255696. Journal of Immunology 2026. https://doi.org/10.1093/jimmun/vkag141.278
51. A lifespan single-cell atlas of the human developing hippocampus benchmarks familial Alzheimer's disease brain organoids.. . https://doi.org/10.64898/2026.09.18.752796
52. Personalized drug screening using patient-derived organoid and its clinical relevance in gastric cancer.. Cell reports. Medicine 2024. https://doi.org/10.1016/j.xcrm.2024.101627
53. Patient-derived organoids can predict response to chemotherapy in metastatic colorectal cancer patients. Science Translational Medicine 2019. https://doi.org/10.1126/scitranslmed.aay2574
54. Patient-derived organoids predict personalized drug response and reveal alternative therapeutic options in glioblastoma. Cell Reports Medicine 2026. https://doi.org/10.1016/j.xcrm.2026.102850
55. Personalized prediction of chemotherapy efficacy in osteosarcoma through patient-derived organoids: correlation with survival and tumor proliferation potential. Journal of experimental & clinical cancer research : CR 2025. https://doi.org/10.1186/s13046-025-03541-1
56. Comparative analysis of patient-derived organoids and patient-derived xenografts as avatar models for predicting response to anti-cancer therapy.. Cancer Treatment Reviews 2026. https://doi.org/10.1016/j.ctrv.2026.103190
57. Patient-derived organoids predict responses to chemotherapy and PARP inhibitors in advanced ovarian cancer. Journal of Translational Medicine 2026. https://doi.org/10.1186/s12967-025-07112-y
58. Patient-derived ovarian cancer organoids as platforms for predicting platinum resistance and screening tumor stem cell inhibitors.. Drug resistance updates 2026. https://doi.org/10.1016/j.drup.2026.101411
59. Abstract 2503: Lung cancer organoid-based diagnostic response prediction (CODRP) for predicting anticancer drug response and progression-free survival. Cancer Research 2026. https://doi.org/10.1158/1538-7445.am2026-2503
60. Biomarker-guided responses in patient-derived organoids predict effective therapies in breast cancer. Cell Reports Medicine 2026. https://doi.org/10.1016/j.xcrm.2026.102973
61. PharmaFormer predicts clinical drug responses through transfer learning guided by patient derived organoid. npj Precision Oncology 2025. https://doi.org/10.1038/s41698-025-01082-6
62. Individualized patient tumor organoids faithfully preserve human brain tumor ecosystems and predict patient response to therapy.. Cell stem cell 2025. https://doi.org/10.1016/j.stem.2025.01.002
63. Patient-derived organoids model treatment response of metastatic gastrointestinal cancers. Science 2018. https://doi.org/10.1126/science.aao2774
64. AI-driven framework modeling perturbation in brain organoids reveals candidate genes for autism. bioRxiv 2026. https://doi.org/10.64898/2026.08.22.746387