美国马萨诸塞州总医院的NimaSaeidi小组利用相位荧光图像转换，实现了基于生成式人工智能（AI）的活体器官相位荧光图像转换，相关研究12月14日发表于《光：科学与应用》。
　　研究人员开发了一个名为Phase-FIT（相位荧光图像转换）的虚拟绘画系统，该系统利用定制的形态丰富的2.5D 肠道有机体，通过可访问的低成本有机体相位图像生成虚拟荧光图像，用于表型量化。驱动该系统的是一个新颖的、基于分割的深度生成模型，该模型实现了从相位对比到多通道荧光图像的无注释数字转换。通过生成细粒度的视觉内容，PhaseFIT在细胞核、分泌细胞标记物和干细胞的虚拟绘画方面优于现有的基于深度学习的染色转换模型。
　　研究人员进一步验证了PhaseFIT在量化3种化合物对隐窝形成、细胞数量和细胞干性的影响方面的效率和准确性。PhaseFIT是首个专注于活体器官的深度学习虚拟绘画系统，可实现大规模、信息丰富、高效的器官表型量化，PhaseFIT将使有机体应用于高通量药物筛选。
　　据悉，类器官模型为研究器官发育和功能的基本生物学过程提供了强大的平台。然而，尽管基于图像的有机体表型量化具有潜力，但为其复杂的三维结构以及免疫荧光染色耗时耗力的特性带来了巨大挑战。

（张柯）