微流控结合机器学习预测卵子质量，解决辅助生殖难题
2025-07-23 09:02:42   来源：麦姆斯咨询   评论：0   点击：

近几十年来，不孕不育治疗方法取得了飞速发展。据报道，全球已有超过1000万名儿童通过辅助生殖技术（ART）出生。然而，全球35岁以下患者接受辅助生殖技术的平均成功率约为31%，而40至42岁患者则仅为11%。辅助生殖技术的治疗费用高昂且对母亲存在健康风险，但成功率仍然较低。近年来，研究人员为寻找评估胚胎和卵子质量的最佳方法做出了巨大努力。由于胚胎是精子和卵子受精的结果，显然，分别检查这两个角色的质量可以预测最终胚胎的质量。因此，开发可靠的方法来确定卵子和精子的质量至关重要。在辅助生殖技术中，人类卵子的质量在胚胎的初始生长中起着至关重要的作用，因而对辅助生殖技术的成功率具有深远影响。最近，已有研究尝试采用人工智能（AI）来协助胚胎学家，提供更快、更客观、更准确的配子和胚胎质量评估。

面向卵子评估和分类的AI技术

AI是计算机科学的一个分支，旨在理解智能的本质，并打造一种能够像人类智能一样做出反应的新型智能机器。由于其在解决人类或传统计算结构难以解决的问题方面具有非凡的能力，AI正在迅速发展。AI工具可以在短时间内处理并分析大量数据。AI技术在生育应用方面有潜力显著提高体外受精（IVF）的成功率。例如，AI有望帮助胚胎学家提供快速、客观、准确的配子和胚胎健康状况评估。AI有望为该领域的应用带来变革，消除决策过程中的主观性，并根据质量客观地对配子进行排名。目前应用于卵子或胚胎质量评估的AI方法通常涉及使用深度学习算法分析静态显微图像，或使用卵子或胚胎发育过程中的延时显微视频进行动态分析。

创新工程方法对卵子评估和分类

AI和机器学习（ML）通过实现复杂数据集的复杂分析，正在革新生物学和生殖医学等各个领域。在辅助生殖技术的最新研究中，大多依赖形态学特征和图像处理来预测卵子成熟、受精和胚胎发育的成功率。尽管采用了AI技术，但形态学分类仍然不足，即使根据形态学被归类为高质量，胚胎仍可能无法着床。此外，研究表明非形态学特征也可以用于评估卵子质量。因此，该领域迫切需要进一步的发展和创新的解决方案。本研究旨在通过工程方法找到一种解决方案，以提高生育辅助过程的成功率。

现有研究表明，微流控结构通道提供的机械特性，显著影响细胞的生长阶段。将生物力学特性评估和机器学习算法相结合，有望提高辅助生殖传统阶段的结果，并使其更具实用性。然而，传统的微移液法（TMAM）流程复杂，速度慢又无法完全自动化，严重依赖操作者的表现，还有可能引入进一步的错误。

据麦姆斯咨询介绍，在这项新研究中，伊朗塔尔比亚特莫达雷斯大学和Royan研究所的研究人员提出了一种新方法，旨在开发一种全自动简化的流程，以减少胚胎质量评估实验的时间。研究人员采用基于微流控的抽吸技术，通过视频分析未成熟始源囊泡（GV）阶段的机械特性，比较了各种基于AI的算法。预计这种多维方法将提供更深入的细胞行为洞察，有助于更精确的评估预测。

该研究成果已经以“Machine learning and microfluidic integration for oocyte quality prediction”为题发表于近期的Scientific Reports期刊。

所提出的微流控器件示意图

微流控器件制造

所提出的微流控器件采用标准软光刻技术在玻璃载玻片上采用聚二甲基硅氧烷（PDMS）层制造。首先，在一片4英寸晶圆上涂覆125 µm的SU-8材料。然后，将涂覆的硅晶圆置于65°C下15分钟，再置于90°C下30分钟。之后，在晶圆顶部放置掩膜后对其进行曝光。完成这一步骤后，将晶圆放入烤箱。一旦模具制作完成，将PDMS倒入模具中，并置于60°C的烤箱中烘烤三小时。然后，将PDMS从模具上剥离，并使用氧等离子体粘合到玻璃载玻片上。

实验装置示意图。该流程的步骤包括卵子样本采集、成熟、受精和细胞分裂。GV卵子在成年小鼠解剖后采集。使用注射泵将卵子注入微流控通道系统，以评估其大小，并基于运动卵子的变形和临界流速进行皮质张力（CT）检测。完成这些评估后，培养和孵育未成熟的卵子。随后，成熟的MII卵子与精子受精，观察长达五天，并记录结果。

实验中观测的特征示意图。通过图像处理技术获得了三个特征作为实验数据：卵子大小、CT以及卵子在临界流动中的变形。此外，临界流动数据在实验过程中被捕获作为输入，并将其与上述特征结合进行评估。

本研究分析的特征包括细胞大小、CT值、Q值（卵子能够通过通道的最小流速）和变形指数（DI）值，特别强调将机械特性整合到预测框架中。为此，研究人员使用了分类和聚类算法。采用决策树、随机森林、KNN、SVM、朴素贝叶斯、极限梯度提升（XGBoost）和轻量级梯度提升（LightGBM）等分类方法对数据集进行分类。留一法（LOO）和k-fold交叉验证被用于评估每个模型的性能，以确保其稳健性和可靠性。此外，还使用了K-Means、DBSCAN、凝聚层次聚类和高斯混合模型等聚类技术来识别数据点之间的自然分组。研究人员还开发了自定义算法来比较和评估这些聚类方法的性能，从而全面了解数据的结构。

总结而言，通过结合机械和形态学数据，这项研究在辅助生殖中的细胞分析和预测方面取得了重大进展。非形态学特征的整合有望带来更准确和可靠的模型，最终推动生殖医学领域的发展。未来的研究将进一步探索其它机械参数的作用，并改进机器学习模型以提高辅助生殖技术预测的精确度。

论文链接：https://doi.org/10.1038/s41598-025-11810-4

延伸阅读：

《即时诊断应用的生物传感器技术及市场-2022版》