首屆AI+類器官：藥物非臨床研究技術(shù)進(jìn)階與實(shí)戰(zhàn)

中國(guó)化工企業(yè)管理協(xié)會(huì)醫(yī)藥化工委員會(huì)

藥成材信息技術(shù)（北京）有限公司

各有關(guān)單位

在生物醫(yī)藥產(chǎn)業(yè)邁向精準(zhǔn)化、智能化、高效化的今天，藥物非臨床研究正經(jīng)歷一場(chǎng)深刻的變革——傳統(tǒng)實(shí)驗(yàn)?zāi)Ｐ偷木窒扌匀找嫱癸@，而人工智能（AI）與類器官技術(shù)的深度融合，正在重塑從靶點(diǎn)發(fā)現(xiàn)到藥效驗(yàn)證的全鏈條研究范式。作為連接基礎(chǔ)研究與臨床轉(zhuǎn)化的關(guān)鍵橋梁，非臨床研究的效率與準(zhǔn)確性，直接決定了新藥研發(fā)的成功率與成本效益。在此背景下，“2026 AI+類器官：藥物非臨床研究技術(shù)進(jìn)階與實(shí)戰(zhàn)培訓(xùn)班”應(yīng)運(yùn)而生，旨在匯聚行業(yè)智慧，推動(dòng)技術(shù)創(chuàng)新與實(shí)戰(zhàn)能力的雙向突破。

時(shí)代機(jī)遇：AI與類器官的“雙輪驅(qū)動(dòng)”

近年來(lái)，類器官技術(shù)憑借其高度仿真的組織微環(huán)境、可調(diào)控的遺傳背景及高通量篩選潛力，成為替代傳統(tǒng)動(dòng)物模型、細(xì)胞系的核心工具，尤其在腫瘤、神經(jīng)退行性疾病、代謝性疾病等領(lǐng)域展現(xiàn)出不可替代的優(yōu)勢(shì)。與此同時(shí)，AI技術(shù)的爆發(fā)式發(fā)展，為海量生物數(shù)據(jù)的挖掘、復(fù)雜機(jī)制的解析、實(shí)驗(yàn)設(shè)計(jì)的優(yōu)化提供了“智能引擎”——從基于圖像識(shí)別的細(xì)胞表型分析，到基于多組學(xué)數(shù)據(jù)的靶點(diǎn)預(yù)測(cè)，再到虛擬仿真下的藥效模擬，AI正在將類器官研究的“經(jīng)驗(yàn)依賴”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動(dòng)”，大幅縮短研發(fā)周期、降低試錯(cuò)成本。兩者的結(jié)合，不僅是技術(shù)層面的互補(bǔ)，更是非臨床研究從“描述性”向“預(yù)測(cè)性”“精準(zhǔn)性”躍遷的關(guān)鍵契機(jī)！為此我們將于2026年1月17日至18日在線上舉辦“首屆AI+類器官：藥物非臨床研究技術(shù)進(jìn)階與實(shí)戰(zhàn)培訓(xùn)班”，詳細(xì)通知如下，請(qǐng)各單位積極選派人員參加。

會(huì)議安排

會(huì)議地點(diǎn)：線上直播

會(huì)議時(shí)間：2026年1月17日- 18日

會(huì)議時(shí)間安排

上午09:00-12:00 下午13:30-16:30

會(huì)議內(nèi)容

Day 1：基礎(chǔ)理論與技術(shù)融合

模塊1：藥物非臨床研究與類器官技術(shù)基礎(chǔ)

1.1 藥物非臨床研究的核心需求與挑戰(zhàn)

藥物研發(fā)流程概述（臨床前→臨床）

傳統(tǒng)非臨床研究（動(dòng)物模型、細(xì)胞系）的局限性（種屬差異、成本高、周期長(zhǎng)）

類器官技術(shù)的優(yōu)勢(shì)：人源化、高仿生性、可重復(fù)性

1.2 類器官技術(shù)核心原理與制備

類器官定義：結(jié)構(gòu)/功能模擬體內(nèi)器官的三維培養(yǎng)體系

關(guān)鍵技術(shù)：干細(xì)胞誘導(dǎo)分化、支架材料（水凝膠/微流控）、培養(yǎng)基優(yōu)化

常見(jiàn)類器官類型（肝、腎、腸、腫瘤等）及其在藥物非臨床中的應(yīng)用場(chǎng)景

類器官質(zhì)量控制：形態(tài)學(xué)、標(biāo)志物表達(dá)、功能驗(yàn)證（如代謝酶活性）

1.3 AI技術(shù)在藥物非臨床中的角色

AI在藥物研發(fā)中的典型應(yīng)用（靶點(diǎn)發(fā)現(xiàn)、分子設(shè)計(jì)、ADMET預(yù)測(cè)）

類器官研究中的數(shù)據(jù)痛點(diǎn)：多組學(xué)數(shù)據(jù)（影像、轉(zhuǎn)錄組、表型）的復(fù)雜性

AI賦能方向：類器官圖像分析、藥效/毒性預(yù)測(cè)模型、實(shí)驗(yàn)方案優(yōu)化

模塊2：AI與類器官的技術(shù)融合路徑

2.1 類器官數(shù)據(jù)的采集與標(biāo)準(zhǔn)化

數(shù)據(jù)采集工具：高內(nèi)涵成像（HCI）、單細(xì)胞測(cè)序、微流控傳感器

數(shù)據(jù)標(biāo)準(zhǔn)化挑戰(zhàn)：批次效應(yīng)、跨平臺(tái)兼容性

2.2 AI算法在類器官研究中的應(yīng)用

計(jì)算機(jī)視覺(jué)：類器官形態(tài)學(xué)自動(dòng)識(shí)別（分割、計(jì)數(shù)、異常檢測(cè)）

機(jī)器學(xué)習(xí)：藥效/毒性分類模型（隨機(jī)森林、XGBoost）、回歸模型（劑量-反應(yīng)關(guān)系）

深度學(xué)習(xí)：卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理類器官影像、圖神經(jīng)網(wǎng)絡(luò)（GNN）整合多組學(xué)數(shù)據(jù)

案例演示：基于AI的類器官藥物敏感性預(yù)測(cè)（如腫瘤類器官對(duì)化療藥響應(yīng)）

2.3 虛擬類器官與數(shù)字孿生技術(shù)

虛擬類器官：通過(guò)數(shù)學(xué)模型模擬類器官生長(zhǎng)與藥物作用

數(shù)字孿生：整合類器官實(shí)驗(yàn)數(shù)據(jù)與AI模型，構(gòu)建動(dòng)態(tài)預(yù)測(cè)系統(tǒng)

應(yīng)用場(chǎng)景：藥物篩選優(yōu)先級(jí)排序、毒性預(yù)警

Day 2：實(shí)踐應(yīng)用與前沿趨勢(shì)

模塊3：AI+類器官的非臨床研究實(shí)戰(zhàn)

3.1 實(shí)驗(yàn)設(shè)計(jì)與技術(shù)整合流程

從需求到落地的步驟：靶點(diǎn)選擇→類器官模型構(gòu)建→AI模型訓(xùn)練→驗(yàn)證迭代

關(guān)鍵參數(shù)優(yōu)化：類器官成熟度、藥物暴露條件（濃度/時(shí)間）、AI模型輸入特征篩選

3.2 典型應(yīng)用場(chǎng)景詳解

藥效評(píng)價(jià)：腫瘤類器官藥敏測(cè)試（PDX模型替代）、中藥復(fù)方多成分協(xié)同作用分析

毒性預(yù)測(cè)：肝類器官代謝毒性（CYP450活性監(jiān)測(cè)）、腎類器官損傷標(biāo)志物（KIM-1）

機(jī)制研究：AI關(guān)聯(lián)類器官基因表達(dá)與藥物表型（如耐藥相關(guān)通路挖掘）

3.3 實(shí)操演示

工具示例：使用ImageJ+Python腳本實(shí)現(xiàn)類器官面積自動(dòng)測(cè)量

模型訓(xùn)練：基于公開(kāi)數(shù)據(jù)集（如L1000）構(gòu)建簡(jiǎn)單藥效預(yù)測(cè)模型

模塊4：AI+類器官核心技術(shù)深度解析

4.1 類器官構(gòu)建與表征的高級(jí)技術(shù)

4.1.1 復(fù)雜類器官構(gòu)建技術(shù)

3D生物打印：定制化支架設(shè)計(jì)（如肝小葉結(jié)構(gòu)）、多細(xì)胞共打印（肝實(shí)質(zhì)+膽管細(xì)胞）

微流控芯片集成：器官芯片（Organ-on-a-Chip）與類器官聯(lián)用（如“腸-肝軸”共培養(yǎng)）

長(zhǎng)期培養(yǎng)維持：干細(xì)胞自我更新調(diào)控（Wnt/Notch信號(hào)通路優(yōu)化）、營(yíng)養(yǎng)梯度設(shè)計(jì)

4.1.2 高精度表征技術(shù)

空間多組學(xué)：空間轉(zhuǎn)錄組（Visium）定位類器官功能區(qū)（如腫瘤類器官異質(zhì)性區(qū)域）

功能動(dòng)態(tài)監(jiān)測(cè)：微電極陣列（MEA）記錄類器官電生理活動(dòng)（神經(jīng)類器官）、代謝流分析（Seahorse XF）

自動(dòng)化質(zhì)控：AI驅(qū)動(dòng)的形態(tài)學(xué)+功能指標(biāo)批量評(píng)估（如類器官成熟度評(píng)分卡）

4.2 AI模型開(kāi)發(fā)與優(yōu)化的關(guān)鍵技術(shù)

4.2.1 類器官數(shù)據(jù)的AI預(yù)處理

影像數(shù)據(jù)增強(qiáng)：旋轉(zhuǎn)/裁剪/噪聲注入（解決小樣本過(guò)擬合）、三維重建（從切片影像到立體結(jié)構(gòu)）

多組學(xué)數(shù)據(jù)對(duì)齊：?jiǎn)渭?xì)胞RNA-seq與影像特征的時(shí)空匹配（如基因表達(dá)熱點(diǎn)與類器官病灶區(qū)域關(guān)聯(lián)）

缺失值填補(bǔ)：基于GAN的生成式填補(bǔ)（針對(duì)低豐度蛋白組數(shù)據(jù)）

4.2.2 模型架構(gòu)選擇與優(yōu)化

小樣本場(chǎng)景：遷移學(xué)習(xí)（預(yù)訓(xùn)練模型如ResNet-50微調(diào)類器官影像）、元學(xué)習(xí)（MAML算法快速適配新類器官類型）

多任務(wù)學(xué)習(xí)：聯(lián)合預(yù)測(cè)藥效+毒性（共享底層特征提取層，分支輸出不同任務(wù)）

可解釋性實(shí)現(xiàn)：Grad-CAM可視化影像關(guān)注區(qū)域、SHAP值解析基因/代謝物貢獻(xiàn)度

4.2.3 案例實(shí)操：從0到1構(gòu)建類器官藥敏預(yù)測(cè)模型

工具鏈：Python（PyTorch/TensorFlow）+ 類器官影像數(shù)據(jù)集（如HCA的腫瘤類器官庫(kù)）

步驟：數(shù)據(jù)標(biāo)注→模型訓(xùn)練（CNN+注意力機(jī)制）→性能評(píng)估（AUC/準(zhǔn)確率）→結(jié)果可視化

4.3 多模態(tài)數(shù)據(jù)整合與智能分析

4.3.1 多源數(shù)據(jù)融合策略

數(shù)據(jù)類型：影像（形態(tài)）、組學(xué)（轉(zhuǎn)錄/蛋白）、電生理（功能）、臨床（患者響應(yīng)）

融合模型：圖神經(jīng)網(wǎng)絡(luò)（GNN）構(gòu)建“類器官-藥物-基因”關(guān)聯(lián)圖譜、Transformer跨模態(tài)注意力機(jī)制

4.3.2 智能分析場(chǎng)景

耐藥機(jī)制挖掘：

主講老師

美迪西生物醫(yī)藥彭雙清團(tuán)隊(duì)演講。協(xié)會(huì)特聘專家。

彭雙清教授：美迪西生物醫(yī)藥首席科學(xué)官，軍事醫(yī)學(xué)科學(xué)院研究員、博士生導(dǎo)師。長(zhǎng)期從事新藥創(chuàng)制臨床前研究，承擔(dān)國(guó)家GLP技術(shù)平臺(tái)建設(shè)，主持與承擔(dān)國(guó)家科研課題40余項(xiàng), 包括973課題、863項(xiàng)目及國(guó)家“重大新藥創(chuàng)制”科技專項(xiàng)等。發(fā)表科研論文300余篇，主編參編專著13部。獲國(guó)家及省部級(jí)科技獎(jiǎng)12項(xiàng)。獲國(guó)務(wù)院政府特殊津貼、軍隊(duì)杰出人才崗位津貼、中國(guó)科協(xié)全國(guó)優(yōu)秀科技工作者榮譽(yù)稱號(hào)、中國(guó)毒理學(xué)杰出貢獻(xiàn)獎(jiǎng)。培養(yǎng)碩士、博士及博士后90多名。兼任國(guó)家食品藥品監(jiān)督管理局新藥審評(píng)專家、醫(yī)療器械審評(píng)專家及ETAP副主編等學(xué)術(shù)職務(wù)。

會(huì)議費(fèi)用

會(huì)務(wù)費(fèi)：4000元/單位

（會(huì)務(wù)費(fèi)包括：培訓(xùn)、研討、 電子版資料、電子版培訓(xùn)證書(shū)、視頻回放等）參會(huì)企業(yè)可以組織員工一起學(xué)習(xí)，培訓(xùn)過(guò)程中可以同公司同事邊交流邊學(xué)習(xí)，培訓(xùn)效果也會(huì)更好。

培訓(xùn)結(jié)束后，學(xué)員可登錄協(xié)會(huì)系統(tǒng)官網(wǎng)查看或下載培訓(xùn)證書(shū)。

注：所有報(bào)名單位款項(xiàng)須在會(huì)前辦理，以便提前開(kāi)具發(fā)票。

匯款賬號(hào)

匯款備注： 類器官非臨床

戶 名：藥成材信息技術(shù)（北京）有限公司

賬 號(hào)：0200316909100078392

開(kāi) 戶：中國(guó)工商銀行股份有限公司房山支行良鄉(xiāng)支行

會(huì)議聯(lián)系人

?識(shí)別下方二維碼，預(yù)約報(bào)名。

? 主辦方負(fù)責(zé)人：陳瑩 13732215247

? 掃描下方二維碼咨詢，預(yù)留參會(huì)名額。

添加微信請(qǐng)備注單位及姓名，感謝支持，