细胞、组织和计算模型承担不同研究任务
2026 年 4 月 2 日出版的 Cell 刊载了 New approach methodologies for drug discovery。斯坦福大学（Stanford University）、Greenstone Biosciences 与美国国立卫生研究院（National Institutes of Health，NIH）作者梳理近年的干细胞、类器官和计算方法，讨论这些平台怎样共同支持药物发现与评价。
文章从细胞、组织和数据 3 个层面组织实例。干细胞来源模型便于研究人类遗传背景与细胞表型；类器官呈现多种细胞的空间关系和组织反应；计算方法整合实验、组学及临床资料，提出候选靶点、预测反应并辅助解释药代特征。作者主张按具体问题组合这些工具。
干细胞平台将遗传背景带入药物筛选
人诱导多能干细胞（induced pluripotent stem cells，iPSCs）可提供不同患者背景的心肌细胞、神经细胞和血管细胞等模型。综述列举了长 QT 综合征、遗传性心肌病及神经退行性疾病研究：研究者既测量疾病相关的功能变化，也用模型检验候选药物能否改善这些表型。
带有报告标记的细胞、高通量筛选和遗传分析使这些平台更易用于机制研究。例如，心脏成纤维细胞报告系统用于筛选抗纤维化候选物；血管细胞可结合转录分析比较药物反应。共培养进一步纳入细胞交流，文中包括脂肪细胞、肝细胞与巨噬细胞组成的代谢疾病系统，以及神经细胞与胶质细胞共同构成的模型。
这些细胞常保留发育早期的特征。神经模型可能缺少年龄相关表观遗传状态，心肌和血管模型也存在结构与代谢成熟度不足。作者提出，需要在更大且遗传背景更多样的人群中验证，并控制不同分化批次的组成；成熟程度应与拟研究的儿童或成人疾病相匹配。
类器官连接患者样本、组织功能与治疗反应
患者来源肿瘤类器官库可以将病理、基因组、蛋白特征和实际药物反应联系起来。综述介绍了胃癌、肺癌、直肠癌及肉瘤等研究，并讨论胶质母细胞瘤模型对细胞免疫治疗活性的评价。肿瘤组织片段和保留免疫细胞的类器官，则为研究微环境参与的反应提供补充。
工程改进包括器官芯片、生物材料、可控流动及三维打印。例如，微型结肠模型用于观察胃肠毒性，肾类器官芯片研究与流动环境相关的疾病机制，神经肌肉组合模型评价神经与肌肉的联系。这些系统把组织环境纳入药物实验，增加了单类细胞培养难以呈现的功能信息。
类器官的形成成功率、细胞多样性、血管化及长期维持仍存在差异，氧和营养扩散也会影响组织状态。作者还介绍了类器官用于再生医学的研究，其中多项移植结果来自动物实验；这类用途与作为体外测药工具的用途具有不同的验证要求。
计算方法发现候选物，并接受实验检验
计算研究使用转录组、蛋白组、细胞图像和真实临床资料寻找关联与候选干预。文中实例包括结合干细胞心肌图像与深度学习发现心肌保护方向，以及利用血管细胞转录资料提出心脏瓣膜疾病候选药物。这些计算结果随后还需用细胞、组织或其他实验检验。
药物反应预测还可结合病理图像、基因表达和临床特征，研究哪些患者可能受益于特定治疗。药代与毒性预测平台则补充体外模型难以直接观察的分布及整体暴露信息。作者同时讨论了自动化类器官选择、高内涵成像和药物作用机制识别，使计算分析与实验筛选形成连续流程。
算法性能依赖训练资料的质量和适用人群。实验模型的批次差异可能传入计算模型，稀有疾病数据不足、人口组成偏差及隐私和共享障碍也会限制应用。临床实践和患者人群随时间变化后，预测准确度还需要持续检查。
已有临床探索与拟议的组合框架
综述列举了经 NAMs 发现、优先筛选或机制研究支持后进入临床评价的候选物。例如，运动神经元模型参与了肌萎缩侧索硬化药物研究，部分早期试验观察到耐受性或神经兴奋性变化；用于肝硬化研究的吸附材料 YAQ-001 在早期试验中达到安全性与耐受性终点。这些实例分别对应不同阶段和研究终点。
作者还提出了两个组合式框架。心脏毒性框架先以可解释的计算模型进行候选排序，再用血管化心脏类器官和工程微环境研究心律失常、纤维化及线粒体风险。肿瘤框架则把患者类器官与组学、病理和临床资料结合，由算法提出可检验的药物反应假设，再通过类器官实验修正预测。两者均为文中用于讨论的框架。
这些框架走向实际采用，需要统一数据标准和检测指标，开展多机构、盲法及独立比较，并检查成本、可制造性和扩大规模后的稳定性。作者建议依据可查找、可访问、可互操作和可复用的 FAIR 原则（Findable、Accessible、Interoperable、Reusable）共享资料，并通过培训与开放资源支持不同条件下的实验室参与。
综述最终将 NAMs 描述为可按问题组合的工具体系：计算预测提出方向，分子层面的试验补充相互作用信息，细胞和组织平台检验人源生物学反应。后续改进既包括模型自身，也包括各平台之间的数据衔接和验证安排。