未来论坛 | 改变生命，再生医学的未来发展

再生医学的发展为未来的医疗技术带来无限的可能。衰老，一般运动或营养都无法逆转的过程，科学家通过在体外构建的肌肉模型，模拟肌肉衰老的过程，利用针对性的药物，能挽救肌肉衰减。

下一步要理解更多的疾病机理，需要更加深入了解肌肉代谢的变化，对大批量代谢物质的数据进行处理，分析肌肉生理和病理状态，结合样本临床信息去模拟和理解疾病。这项庞大的数据处理，是否可以利用人工智能中机器学习+知识建模的图像分析技术为生物医学赋能？

《再生医学的前沿发展》

本期 再生医学的前沿发展 青创联盟线上学术沙龙，以双主讲的形式，邀请了两位青年科学家：

中科院动物研究所研究院的黄仕强教授，他是开创干细胞代谢领域的青年学者之一，荣获中组部“千人计划”青年人才、中源协和生命医学创新突破奖、Gates Foundation与 Howard Hughes Medical Institute (HHMI) Scholar等荣誉。以及

中科院计算技术研究所的周少华教授，他曾在西门子任首席影像分析科学家负责研发与医学图像相关的创新，撰写编辑了五本学术专著，发表了 180+ 篇学术期刊及会议论文和著作章节，拥有 80+ 项批准专利，并多次获奖拥有80+项批准专利并多次获奖。

后续多位不同领域的学者一同参与讨论再生医学的发展对社会的影响。

点击观看本期青创联盟线上学术沙龙完整视频

（2:02:35）

主旨演讲

一

“肌肉的再生医学与仿生学”——黄仕强

首先，黄仕强教授介绍了再生医学的发展历史以及干细胞和再生医学在临床上的应用。世界上有很多很神奇的动物，有些小动物的再生能力特别强，包括涡虫、海星和蝾螈等，它们能再生整块肢体甚至是器官。

相比来说，人类或者哺乳动物的再生能力比较差，只有一定的再生能力，比如肌肉。1961年Alexander Mauro发现隐藏在肌肉里的肌肉干细胞，这些细胞被激活之后能增殖分化融合，实现肌肉的再生。1962年John Gurdon发明SCNT技术，但是直到1996年Ian Wilmut才成功克隆绵羊Dolly。2018年中国科学家孙强成功克隆两只猴子中中和华华。

在人类胚胎干细胞研究领域，一直到20世纪90年代JamesThomson才取得突破性进展使其永生化，掀起了人类干细胞领域研究的热潮。2006年Yamanaka宣布用四个基因把任何类型的细胞都能变成iPSC多能干细胞，开启了干细胞研究领域一个新的黄金时代。在2014年，日本正式开展iPSC治疗视网膜疾病的临床实验。到了2017年，人们可以利用胚胎干细胞治疗帕金森疾病以及视网膜疾病。

 

但是不是每个疾病都能用单纯的细胞移植来治疗，有大部分的疾病是因为整个组织或器官衰竭、或失调、或癌症病变而导致，所以必须用Organoids也叫做器官组织模型或者类器官来进行治疗。因此，接下来，黄仕强教授结合自己在肌肉模型方面的科研成果，就Organoids在模拟疾病、理解疾病、开发新型药物、开发可移植器官组织等方面的重要作用做简要阐述。

其中最常用的就是肌肉模型，随着衰老，大概25—30岁开始，肌肉开始衰减，被脂肪和间充质组织而替代，只要5%的肌肉衰减就会导致死亡风险上升10倍，一般的运动、营养都无法逆转这个病症。

为了解决这个问题黄仕强教授课题组构建了肌肉模型，在体外模拟了肌肉衰减过程，代谢组学和3D成像技术分析发现脂肪酸氧化失调，然后通过药物针对性抑制肪酸氧化能挽救肌肉衰减。

所以，有了肌肉模型人们就可以在体外模拟运动，寻找能促进运动代谢，青春代谢的药物，也就是传说中的Healing Factor。比如之前发现的lin28基因，它可以促进新陈代谢，促进手指、肌肉和肝脏等器官组织的再生和修复。在体外，利用肌肉模型就可以寻找能效访lin28促进肌肉生长和再生的药物。

最后，黄仕强教授提出为了更加深入了解肌肉代谢的变化，利用质谱成像代谢组学新技术可以看出代谢物的分布，看到肌肉代谢网络的时空变化，以此来找到更特异、更有用的代谢物。而且这种技术完善后，可以用于新型的诊断医学，代替现有的病理学染色技术。但是组学检测会产生海量的数据，每一个点都有成千上万种代谢物质，这样一个庞大的数据组，只有运用人工智能AI技术进行大批量数据的处理，才能去分析肌肉生理和病理状态，结合样本临床信息去模拟和理解疾病。

 

主旨演讲

二

“基于机器学习+知识建模的医疗图像分析”——周少华

周老师首先介绍了计算机视觉中的应用，比如对医疗图像中知识的提取，对于疾病的理解与判断，对于成像个性化隐私的保护，降低辐射，对于手术和治疗的支持（比如对于造影剂的节省等）。同时周老师也介绍了深度学习在医疗图像实际应用的难点，比如系统要求非常高的准确性与鲁棒性，还有低延迟输出，图像中经常出现图片遮挡的问题，多机器不同模态的问题，知识图谱繁杂，病灶种类过多，三维数据过大，样本相比过少等问题。

随后周老师介绍了一种对深度学习的理解：深度学习是通过大量数据训练一个F(X，W)的映射关系，其中W为要学习的权重，X为输入的医疗图像，通过计算会得到比如病灶类别，器官类别，病灶位置等信息。他认为深度神经网络是一个超强记忆的机制，比如在一次训练中把标签全部随机，神经网络依然将损失函数收敛（可以分别出给定的错误标签）。更大的数据和更深更宽的模型相匹配，这是非常多的AI公司正在做的事情。

然后周老师提出了自己的观点，将深度学习和现有知识相结合会拥有更好的预测结果。比如，将一个X光胸片进行decomposition，将骨头、软组织、肺组织分离，会获得比原来更好的预测结果。再比如，同时预测肾脏的种类和位置，将比单纯预测种类拥有更好的结果（预测种类和位置可以互相促进，触类旁通）。

周老师还举了几个深度学习在医疗图像中应用的例子，比如两种模态的（或是两个机器拍摄的）核磁图像互相转换生成。利用网络高冗余度用一个网络加上少量改动的adapter，对不同模态，不同器官的同时进行预测。再比如使用图像生成，对CT图像因为金属产生的条纹状遮挡进行金属伪影的去除。

Q

A

&

跨界讨论环节

来自不同学科背景的学者针对再生医学前沿发展的开展了讨论，这期由再生医学，人工智能，物理与材料的教授一同参与讨论。

主持人

张璐，Fusion Fund创始合伙人

再生

医学 

黄仕强，中科院动物所研究员

曹楠，中山大学中山医学院教授

AI 

   周少华，中科院计算所研究员

物理 

周华，美国阿贡国家实验室物理学家

Q 张璐: 如何结合器官组织模型与代谢组学、基因组学甚至现在非常火热的话题AI技术，来更好地模拟和理解疾病，这些方面有没有看到一些比较有意思的进展，或者说我们可能要关注的技术发展点？
 

A 黄仕强: 之前研究干细胞都是纯粹去看干细胞群，相对来说分析方法都比较简单。现在整个领域都开始步入下一个研究阶段，开始看类器官或者器官模型方面的研究，这时候就不只是看干细胞本身，还得看干细胞周遭的环境以及其他的细胞，所以是一种复杂的3D结构。到了这种阶段我们必须更多地依赖于像成像一样的分析手法，才能一次性的看到每种细胞不同的种类在哪里分布，它们跟哪一些其他细胞有什么互动，每一个不同的细胞群呈现什么样的表型。运用AI技术去分析代谢组学这些海量成像的数据，去了解跟肌肉衰老或者肌肉再生相关的代谢物的研究仍处于一种初步的阶段，需要我们关注。

 

Q 曹楠: 关于成像的问题，AI就我理解更多是计算机算法上的事情，运用3D技术我们可以得到很多更复杂的信息，但是我们怎么去把三维的东西进行更好的成像，去量化，把这些信息提取出来，然后用AI技术去分析。比如说刚刚提到的高通量药物筛选，我们要找到几万个化合物或者是小分子，不太现实一个一个去看，这可能需要更多领域的科学家在一起合作讨论交流，才能更好地推进对整个技术科研认识以及新的药物的筛选。

A 黄仕强: 我同意曹楠老师说的，尤其在药筛方面，每一个器官组织或者每一种干细胞都有多层面的表型，目前成像仪器硬件以及软件方面都还没达到我们所需要的要求。

 

Q 张璐:  如何结合刚才各位老师分享的器官组织模型以及材料科学工程、电子工程包括现在另外一个很火热的话题3D打印去构建人造肉以及生物机械？

A 周华:  这个问题问的非常好。人造肉在全世界已经有过几年时间了，从最早欧洲的国家，包括美国，包括现在的一些饮食机构，也介入其中，这一块需要谨慎观察一下。生物机械仿生学这一块，以及3D打印、材料工程科学方面，我认为是一个非常好的发展。但是也带来了一些问题，包括3D成像的过程，其实里面好多材料的开发，包括整个架构的开发都需要很多真正意义上3D实时原位成像的东西来辅助。还有周少华老师讲的海量的数据，其实需要很多类似于在医疗领域用的AI的东西来辅助对于3D的数据进行分析，这值得很多年轻的学生包括有交叉学科背景的学生来投入进去，这是我分享的观点，谢谢。

A 周少华: 其实我们现在技术发展可能还没达到很高的水准，已有的数据是少量高维的，在数据量没有特别大的情况下，目前深度学习这个技术还没有达到一个很好的水准。最终想学一个网络辨别出来这个可能是一个疾病，或者是没有疾病，中间输入的变化因素是特别多的，如果说没有足够多的样本支撑的话，很难学的很好，这个其实也是需要我们做很多努力，我个人觉得目前可能这种深度神经网络的框架还需要更进一步的完善才能达到。

Q 张璐:  请问除了技术之外，从社会架构、道德伦理层面上，各位老师觉得再生医学和基因编辑比较，谁更容易让社会接受，更容易获得比较好的法律层面上的认可进入商业化呢？除了讲的基本伦理道德，有没有一些可能潜在会出现的问题，我们可能需要去提前想到的？

 

A 黄仕强: 我觉得从技术的角度，有一些病症是天然性的，本身与生俱来就遗传的疾病，可能用基因编辑去解决会更有效，有些病是后天产生的，而且只影响一整个器官部位的话，用再生医学的技术来解决这方面的问题风险会比较小一些。无论从效益或者是从伦理的角度，我更倾向用再生医学的技术。

A 周华: 比如说讲现在人都有用假肢，当然不是再生出来的假肢，是体外的一个假肢，我觉得再生医学如果能再生出这么一个肢体，这么一个功能，我感觉就再生医学来讲伦理上似乎没有什么风险。

A 曹楠：再生医学伦理问题可能更多的是赋能，我们人本来没有这么强的再生能力，然后我对这个机理研究的非常清楚了，我把这个功能表达在人身上，更多的蛋白会表现出更好的再生能力，会变成超人一样，可能这就涉及到伦理的问题。

   

Q:  现在人工智能和再生医疗，和各方面医疗都有结合，其实也照样体现社会伦理的讨论?

A 周少华: 我个人觉得至少目前的人工智能技术离我们能想象的要改变人类各方面，实际上还真的是差很远很远。人工智能现在能够替代人类做的事情，很多都是单任务的事情。

A 周华: 我也很同意，替代的其实就是非常重复性，低智力投入的机械性劳动，其实这个东西本来随着人类社会的发展就会被不断淘汰的，即使没有AI也会被淘汰。

 

特别鸣谢  本期报告编辑 

广璐，中科院动物研究所博士生 

姚青松，中科院计算技术研究所博士生

YOSIA Webinar 

YOSIA Webinar 旨在促进交叉学科的深度学术交流，探讨科研尖端问题，期望通过启发跨学科、跨领域合作，为学术研究带来新思维角度。每期邀请学术造诣深厚的联盟成员分享其研究领域专业知识，提出对跨学科的需求和思考，在讨论环节带动交叉学科科研人员深度思考、碰撞激发，推动跨学科合作。

关于未来论坛青创联盟

未来论坛青年科学家创新联盟隶属于未来论坛，简称“青创联盟”，成立于2017年9月份，为全球优秀的华人青年科学家提供学术探讨与思想交流的平台，在跨界碰撞中畅想未来，在交叉合作中孕育新思想，以共同推动跨界前沿科学的进步，从而发掘科研界的未来世界级领袖。青创联盟成员可以在未来论坛平台上开展学术分享、科普宣传和科技成果转化。成员来自于全球顶尖学院、科研机构、以及创新科技公司，涵盖数学、物理、化学、生命科学、计算机科学、电子工程、材料等十多个学科领域。

END

👇 点击阅读原文观看完整视频