人体器官图谱

1. 领域背景与文献

核心信息：本文为人类器官三维成像资源构建类研究。
文献英文标题：The Human Organ Atlas；

发表期刊：Science Advances；影响因子：未公开；研究领域：人体解剖学、生物医学成像数据资源建设。

人类器官是从细胞外基质到细胞、功能单元、组织再到器官的多层级三维结构，这种层级组织是器官功能实现的基础。解析多尺度下生物结构的三维形态与空间分布，对明确健康与病理状态下的结构变异、建立形态与组学数据的关联、基于结构模拟器官功能都有重要的生物医学与临床价值。领域共识：全人体细胞与组织水平的图谱绘制已经开展多年，三维成像始终是这类研究的核心支撑技术。近年来分层相位对比断层成像（HiP-CT）技术被开发出来，该技术依托同步辐射X射线断层成像，能够获得离体完整人类器官从单细胞到全器官尺度的分层成像数据，无需物理切片即可获得选定区域的组织学级别三维细节，经过技术优化后，成像速度和一致性显著提升，已经积累了大量高质量的三维分层器官成像数据。当前未解决的核心问题是HiP-CT技术对仪器条件要求极高，仅能在欧洲同步辐射装置的特定线站开展，缺乏对应资源与技术培训的研究者无法独立使用该技术，限制了高质量成像数据的应用推广，因此开放共享这些高质量数据具有重要的学术价值。

2. 文献综述解析

核心信息：本文文献梳理围绕人类器官三维成像技术的发展与应用展开，核心逻辑是按技术发展脉络梳理现有研究进展，明确现有技术与数据共享存在的局限性，引出本研究建设开放数据门户的必要性。

现有研究已经实现了多种人类器官三维成像技术的开发，不同技术各有优劣：临床CT与离体磁共振成像的分辨率较低，全器官光片显微镜成像无法获得各向同性体素，全器官连续切片组织学成像需要对器官进行物理切片，会破坏解剖完整性，而HiP-CT技术结合了高分辨率与非破坏性成像的优势，能够获得从全器官到细胞尺度的各向同性高分辨率三维成像，解决了现有技术的多个不足，已经在多个生物医学研究中展现出应用价值。但现有研究仅聚焦于HiP-CT技术本身开发以及特定科学问题的应用，未面向全球研究者开放所有采集得到的成像数据，也没有建立符合可发现、可访问、可互操作、可重用（FAIR）原则的数据共享平台，导致绝大多数研究者无法利用该技术产生的高质量数据，限制了该技术的整体影响力。本研究的创新价值在于，首次搭建了公开可访问的人类器官图谱（HOA）数据门户，实现了大量HiP-CT采集多分辨率三维器官成像数据的FAIR化共享，填补了大尺度开放人类器官三维成像资源的空白，为解剖学研究、机器学习、医学教育等多个领域提供了独一无二的研究资源。

3. 研究思路总结与详细解析

核心信息：本研究的整体目标是搭建符合FAIR原则的公开人类器官多分辨率三维成像数据门户，整合现有HiP-CT技术采集的所有数据，为全球不同领域研究者提供可免费访问的高质量成像资源；核心科学问题是如何实现大尺度多分辨率三维器官成像数据的标准化整理与开放共享；技术路线为“梳理现有HiP-CT采集数据→标准化数据整理与质控→按照FAIR原则设计并搭建数据门户→通过两个实际应用案例验证数据的应用价值→明确平台未来发展方向”，形成了从数据整理到资源共享的完整闭环。

3.1 HOA数据门户功能设计与搭建

实验目的：搭建符合FAIR原则的公开数据共享门户，实现多分辨率三维HiP-CT数据的可访问与可重用。
方法细节：采用Node.js搭建门户框架，使用React JavaScript库与TypeScript完成开发，通过Vite打包，部署在欧洲同步辐射装置的Docker服务器上，依托DRAC数据存储生态系统实现数据归档与长期管理，为每个数据集分配唯一数字对象标识符（DOI）。门户设置探索、搜索、数据集展示三个核心模块，同时集成基于浏览器的可视化工具neuroglancer，支持无需额外软件即可在线查看数据；另外提供教程与帮助页面，开发了hoa-tools Python工具包供研究者开展高级数据分析。数据存储采用JPEG2000格式，压缩因子为10，同时将全分辨率数据按2的幂次逐步下采样生成多个不同分辨率的版本供不同计算资源条件的研究者下载，每个数据集的最高下采样版本压缩后文件大小不超过400MB。每个数据集提供符合严格规范的JSON格式元数据，元数据分为数据本身信息、扫描参数、供体信息、样本制备、图像配准变换、引用信息六大类。
结果解读：从结果图可以看到，HOA门户界面清晰，支持通过供体分类或器官分类两种方式浏览数据，也支持基于元数据进行多条件搜索筛选，进入单个数据集页面后可直接在浏览器内完成交互式可视化查看，也可直接下载对应分辨率版本的数据，实现了设计的所有功能。所有数据采用CC-BY-4.0开放许可协议，要求二次使用引用对应数据集DOI，符合开放科学规范，可支撑多领域的研究与应用。
实验所用关键产品：文献未提及具体实验产品，领域常规使用网络服务器、数据存储系统与开源开发工具构建数据门户。

3.2 HOA现有数据整理与质控

实验目的：整理所有已采集的HiP-CT数据，完成配准、质控与元数据整理，发布到HOA门户供公开访问。
方法细节：所有样本均获得供体知情同意，从合作生物库获取离体人类器官，按照已发表的HiP-CT实验流程在欧洲同步辐射装置的BM05和BM18线站完成扫描，层析重建后转换为JPEG2000格式，按照2的幂次逐步下采样生成不同分辨率版本；每个放大扫描数据集手动选取公共点初始化变换，采用刚性变换配准到对应的全器官概览扫描数据集，配准后经过可视化质控确认结构共定位，变换参数保存在对应数据集的元数据中；元数据通过手动整理结合自动化流程收集，验证符合规范 schema 后入库。
结果解读：从统计结果与结果图来看，目前HOA包含来自24个供体10种器官（脑、结肠、心脏、肾脏、肝脏、肺、前列腺、脾脏、睾丸、子宫）的298张三维图像，供体平均年龄为73岁（范围30-94岁，n=24），其中13名男性、5名女性、4名性别未知；研究团队已经实现同一供体多个器官的数据采集与整理，例如供体LADAF-2021-17提供了9种器官的完整数据集，可支撑多系统疾病的跨器官研究。数据大小覆盖范围广，90%的数据集大于100GB，15%大于500GB，6%大于1TB，成像最低体素尺寸可达0.65μm；数据涵盖多种年龄相关病理（高血压、癌症）、新冠感染病例以及罕见病理（如Dandy-Walker综合征），为不同研究方向提供了丰富的样本资源。
实验所用关键产品：文献未提及具体实验产品，领域常规使用同步辐射X射线断层扫描装置、层析重建软件完成数据采集与处理。

3.3 机器学习应用价值验证

实验目的：验证HOA多分辨率分层数据在生物医学机器学习研究中的应用价值。
方法细节：利用HOA数据同一结构多分辨率配准的特点，设计超分辨率分割实验：将高分辨率图像上的手动分割结果作为伪标注，传播到低分辨率全器官图像上，实现全器官尺度的细微结构分布分析；以人类左肾数据集LADAF-2020-27为验证对象，该数据集包含1.29μm、约6μm、25μm三种分辨率的配准图像，采用nn-UNet模型完成分割训练与预测。
结果解读：从结果图可以看到，在1.29μm/voxel的最高分辨率数据中，可以轻松高精度分割肾小球，在约6μm/voxel的中分辨率数据中可以观察到肾小球但边界分割难度大，在25μm/voxel的低分辨率全器官概览中仅能分辨体积突出的肾小球。经多尺度分割流程处理后，成功将高分辨率的分割结果传播到全肾尺度，获得整个肾脏的肾小球分布，证明HOA的分层数据集可有效支撑超分辨率分割、多尺度机器学习研究，解决了从未在全器官长度尺度上分析亚分辨率结构空间分布的问题，同时HOA的大规模开放数据也可支撑无监督基础模型、三维图像分割等多种机器学习研究。
实验所用关键产品：文献未提及具体实验产品，领域常规使用深度学习框架与nn-UNet模型完成分割实验。

3.4 解剖可视化与医学教育应用价值验证

实验目的：验证HOA数据在解剖可视化与医学教育中的应用价值。
方法细节：利用HOA的多分辨率各向同性体素成像数据，结合三维可视化渲染技术，实现完整器官不同尺度结构的交互式可视化展示。
结果解读：从结果图可以看到，HOA成像数据的体素尺寸比临床CT或离体磁共振成像小1-2个数量级，且为各向同性体素，分辨率与最先进的全器官连续切片组织学相当，但HiP-CT成像为非破坏性，保留了解剖完整性，可实现从全器官到细胞尺度的完整成像。示例中，完整人类心脏在19.85μm/voxel分辨率下即可清晰显示左右心室、二尖瓣等大体解剖标志，进一步放大到6.36μm和2.26μm/voxel可以观察到心肌纤维的微观结构；完整肾脏在25μm/voxel分辨率下可以显示从直径约2cm的肾动脉到半径约50μm的小叶间动脉的完整动脉树。结合三维高斯飞溅技术可以实现实时交互式操作，有助于医学生理解复杂三维解剖结构的空间关系，可支撑新一代解剖学教育的发展。
实验所用关键产品：文献未提及具体实验产品，领域常规使用三维可视化渲染工具完成可视化展示。

4. Biomarker 研究及发现成果

核心信息：本文为生物医学成像数据资源建设类研究，未围绕特定生物标志物开展筛选与验证研究，无对应生物标志物研究成果产出。

HOA平台目前已经公开了24个供体10种器官的298张多分辨率三维成像数据，涵盖多种健康状态、常见疾病与罕见病理样本，所有数据符合FAIR原则可免费开放获取，可为后续疾病相关生物标志物的空间分布、形态学关联研究提供高质量的基础数据支撑，有望推动解剖学、临床医学、机器学习等多个领域的研究进展。目前HOA平台仍在持续更新，未来将进一步增加供体多样性、补充衍生分析数据集与多模态匹配数据，不断提升数据资源的应用价值。