脑类器官提供多种反应，AI 需要明确分析任务
四川大学（Sichuan University）等中国机构研究者在 Theranostics 发表综述，讨论脑类器官、药物筛选与人工智能（artificial intelligence，AI）怎样共同支持脑靶向纳米药物研发。文章把诊断信息与治疗设计联系起来，并提出根据实验反馈反复调整候选的研发框架。
脑类器官可以同时提供细胞形态、分子标志和神经活动等信息。综述介绍的多指标评价结合影像、电生理和钙活动，旨在减少只依赖单一活力数值的局限；这些指标分别回答细胞构成、组织状态和功能变化。
数据量增加后，算法仍需对应具体任务。文中列举的 MOrgAna 用于类器官图像的自动分割和量化；图像分析能够帮助提取组织特征，但还需要把这些特征与受测药物及生物终点联系起来，才能评价其药物研究意义。
颗粒形成、细胞摄取和毒性属于不同预测目标
纳米药物设计首先要判断分子能否自组装成颗粒，以及颗粒大小如何变化。综述举出的定量结构—纳米颗粒组装预测模型（Quantitative Structure-Nanoparticle Assembly Prediction，QSNAP），使用药物分子描述信息预测组装行为和粒径，用于选择载药成分。
这个目标与药物穿过血脑屏障（blood–brain barrier，BBB）或改善脑组织病理并不相同。文章还讨论虚拟配体筛选和分子设计，用于寻找可能与靶蛋白结合的候选；分子结合、颗粒性质与组织疗效需要各自的实验支持。
另一类预测涉及颗粒进入生物环境后的相互作用。蛋白冠模型利用蛋白吸附资料，细胞摄取模型结合材料性质与细胞特征，毒性模型则使用细胞实验中的活力等终点。这些模型使用的资料来源各不相同，脑类器官是作者希望进一步纳入的实验反馈来源。
脑部递送和治疗反应的预测，还需要相应的屏障、脑组织及功能测量资料。脑类器官提供的反馈，需要与待预测的具体生物过程、对应实验和适用范围相匹配。
数据缺口会限制新候选的预测
作者把训练资料的质量列为主要障碍。稀有疾病或新靶点的数据可能不足，已有资料也包含偏差、错误、缺失及实验结果不一致。失败实验等阴性资料较少公开，还会使模型难以学习哪些设计没有达到预期。
面对新分子、新靶点时，算法可能依赖训练集中容易识别的关联，而没有学到可推广的分子关系。这会限制对新结构的判断。模型可解释性、计算资源，以及同时优化活性、选择性和可合成性等目标，也需要分别处理。
多指标模型同样受数据来源影响。细胞类型、组织成熟状态与检测方式决定了训练数据的生物含义；综述因此要求计算设计和实验验证持续对应，并讨论模型跨化学空间和跨靶点应用时的困难。
实验反馈流程是研究设想，临床关联仍待验证
作者提出的迭代框架包括计算设计与预测、候选制备、类器官等平台测试，再用新资料更新模型并进入下一轮。
框架希望将影像、分子与功能资料用于缩小后续设计范围。纳米载体形成、细胞摄取和脑组织反应分别对应不同的验证对象。
作者也指出，体外关键表型与临床生物标志物的关系，以及筛选结果对临床疗效的预测适用性，仍需深入研究。