肿瘤芯片需要保留与治疗问题有关的微环境
纽约大学（New York University）团队在 2025 年发表于 Lab on a Chip 的综述中，讨论肿瘤芯片走向精准用药研究所需的条件。作者把血管、基质和免疫环境作为相互关联的部分：它们既改变肿瘤状态，也影响药物和免疫细胞能否到达目标。
血管模型所用内皮细胞的组织来源、状态和传代，会影响网络稳定性及通透性。基质的组成和刚度，以及癌症相关成纤维细胞，也会改变药物进入、细胞迁移和治疗反应。免疫模型还需要判断哪些细胞组分与所研究药物直接相关。
作者主张采用足以回答问题的模型复杂度。组分过少会遗漏关键作用，过多则可能降低稳定性；不同细胞的营养与培养需求也要兼顾。来自不同供者的免疫与组织细胞还可能产生异体反应，影响患者特异性结果的解释。
患者来源材料既有重组模型，也有直接组织培养
一种做法是将患者样本中的肿瘤、基质和免疫成分分离后重新组合；另一种是把组织小块或切片直接培养在芯片上。前者便于研究指定细胞之间的作用，后者可保留更多原有组织关系。两者都需要稳定的培养环境，并持续观察细胞状态与组织功能。
患者样本获取、不同细胞的存活与扩增，是作者列出的实际障碍。以同一患者来源材料组成模型，是减少异体反应的一条方向；但培养后的细胞是否仍保留原特征，需要与原组织及相应功能比较。
类器官与芯片结合，则可加入灌流、血管和受控空间结构。综述强调，类器官的大小、结构和功能差异仍会影响稳健性；多器官模型还必须协调不同组织的培养条件，并优先保留与研究问题有关的器官间作用。
传感器要同时满足观察速度与检测任务
持续测量有助于捕捉短暂细胞反应，而高灵敏、多指标检测常需要额外标记或取样。综述区分连续传感与特定时点的蛋白检测：前者适合观察变化过程，后者可提供更深入的分子信息，两者服务于不同的测量任务。
原位组学能补充空间中的细胞和分子状态，但成本与复杂性限制其常规连续使用。作者提出，传感器应首先提供与免疫反应、药效或关键标志有关的可靠信息，同时考虑污染附着、环境干扰、灵敏度和长期稳定性。
计算模型补充芯片结果的解释与体内外换算
芯片可提供肿瘤生长、细胞死亡、免疫细胞活化及药物浓度等数据。综述介绍，机制性计算模型可以用这些测量校准参数，分析治疗反应和细胞间作用；流体计算则可研究流动、氧扩散和药物运输。
当研究涉及药代动力学与药效动力学（pharmacokinetics and pharmacodynamics，PK/PD）时，芯片中的浓度变化和组织功能需要通过比例换算，与体内尺度对应，再用患者资料评价预测结果。人工智能（artificial intelligence，AI）可辅助图像、轨迹和药物筛选数据分析，不同任务分别验证。
转化应用还取决于重复性、时效和结果判定
作者将芯片材料、批次制造、培养与分析的标准化列为重要条件。部分常用聚合物会吸收小分子或释放残留成分；因此，制造方便和透光良好之外，实际药物暴露也需要核对。兼容孔板、自动化和常规成像，有助于增加实验容量。
患者取样到获得结果的时间，同样关系到模型能否参与研究或治疗决策。综述认为，当时多数肿瘤芯片仍处于概念验证阶段，临床应用还需要更一致的结果判定、与患者反应的比较，以及临床人员认可的标准。患者材料使用也涉及知情同意等要求。