仅供医学专业人士阅读参考

点击右上方“关注”，准时接收每日精彩内容推送。

不育影响了全球约15%的夫妇，其中约45%的案例涉及男性因素。精液分析和精子选择是实现成功辅助生殖结果的关键和常规步骤。在临床上广泛使用的传统方法通常是手动的、主观的、耗时的，并且对于高度复杂和多方面的精子分析任务来说远远不够。最近，基于微流控技术的设备，结合高分辨率显微镜，为评估精子质量、获得对精子运动的基本理解以及选择高质量精子提供了有希望的机会。机器学习（ML）也在分析精子形态、细胞内特征和运动方面引入了自动化和标准化。

来自澳大利亚蒙纳士大学的Reza Nosrati等团队综述了这些最先进的方法，并提供了解决未解决问题的方向。相关工作以题为“Advancements in Microfluidic Technologies for Male Infertility”的文章发表在2025年01月07日的期刊《Advanced Materials Technologies》。

【精子分析和选择中的挑战与机遇】

辅助生殖技术（ART）已经发展起来，以克服自然生殖中的困难障碍，从而使精子和卵子更容易相遇。ART包括子宫内人工授精（IUI）、体外受精（IVF）和卵胞浆内单精子注射（ICSI）（见图1）。这些治疗程序旨在通过在体内的IUI或体外的IVF或ICSI使卵子与精子结合。精液分析是不孕症评估中一个常规且必要的步骤，而一些诊所还建议进行精子DNA完整性检测。精液分析通常使用标准化的方法进行，但这些方法可能劳动密集且容易因技术人员的专业水平而产生变异。这种评估是通过显微镜和肉眼对射精液进行检查，符合世界卫生组织的建议，即对照设定的值或描述，涵盖外观、黏度、体积和pH值等宏观层面的参数，以及浓度、活动力、活力和形态等微观层面的参数。

图1 从精液分析到不孕症治疗

【基于微流控技术的评估】

关于精子行为的研究，精子在女性生殖道内所经过的路径在物理和化学上都是复杂的，这促使研究人员探索相关的行为效应。例如，研究发现精子表现出沿边界游动的行为，它们在微通道中沿着墙壁和角落游动。在较高浓度的精子下，细胞间的相互作用导致形成单向游动区，这些区域有一个首选的游动方向（见图2A）。这种结果在靠近角落的四车道游动模式中出现，细胞分布最多有40%的不对称性。这表明，哺乳动物生殖道复杂环境中的细胞表面和细胞间相互作用对于确定行为模式以及随后的体内选择过程至关重要。

Raveshi等将单个精子包裹在微滴中，这些微滴模拟了生殖道折叠腔中的各种曲率范围，以量化精子对几何变化的游动反应。他们演示了精子在低曲率时表现出渐进的表面对齐游动，而在高曲率时则表现出攻击性的表面攻击行为。这表明曲率大小的变化不仅引导精子进入输卵管，还促进了精子与受精部位附近的上皮组织的物理接触，这对于精子获能至关重要。Rogowski等开发了一种抗体，能够检测初级纤毛中的糖基化作用及其在调控纤毛长度中的作用，这对于理解初级纤毛的功能及其在各种纤毛相关疾病中的意义至关重要。基于此，Gadadhar等进一步探讨了微管糖基化的分子机制，将其研究扩展到纤毛和鞭毛两者。通过开发一种缺乏微管糖基化的小鼠模型，他们不仅确认了这种修饰在维持哺乳动物精子鞭毛结构完整性和功能方面的重要性，还证明了其在正确分布动力蛋白臂方面的关键作用，这对有效的鞭毛运动至关重要（见图2B）。该研究表明，微管糖基化对于动力蛋白臂在其前后动力冲程构象中的适当分布是必不可少的，这对于生理性鞭毛节律是必需的。此外，考虑到人类精子比小鼠精子更容易出现运动缺陷，这些发现表明，微管糖基化的干扰可能导致某些人的男性不育症。

图2 精子分析

【基于机器学习的评估】

人工智能（AI）被定义为使计算机能够执行通常需要人类智能的任务的技术，而人类的参与最小。机器学习（ML），作为AI的一个子集（图3A），涉及编程计算机从数据中学习并对未见数据做出泛化。根据训练过程中所需监督的类型和数量，ML算法分为有监督学习、无监督学习、半监督学习和强化学习模型。在与生育相关的研究中，经常使用有监督的ML。在有监督学习中，算法使用包含输入特征和期望输出或标签的数据集进行训练。深度学习（DL），作为ML的一个子集，使用受到人脑学习过程启发的人工神经网络（ANN）。

图3 人工智能（AI）与机器学习（ML）和深度学习（DL）之间的比较

有监督学习分类算法的性能通常会因低质量的医学图像而下降。为了应对这一挑战，研究人员开发了一种适应性强、适用于不同成像系统的对抗性学习算法，不再需要统一高质量的标注图像。Spencer等人引入了一个堆叠的卷积神经网络（CNN）集成模型，用于自动分类人类精子头部形态。他们的方法将传统的CNN模型与先进的残差和密集连接架构相结合，使用四个基础模型进行集成（图4A），由一个多类元分类器协调。他们的集成结构在HuSHeM数据集上的分类准确率提高了2.7%（达到98.2%），在SCIAN数据集上提高了2.3%（达到63.3%）。元分类器将基础模型的单个分类率提高了约8.5%，表明预测性能显著提升。Shahali等人进一步改进了这个模型，以基于全细胞形态对活体、未染色的人类精子进行分类。开发了一个包含2254张未染色活精子图像的数据集。他们的模型达到了94%的准确率和精确度，与三名男性科学家独立分类的结果进行了对比。此外，即使图像分辨率降低六倍以上，该模型仍保持了88%的预测性能，确保其兼容各种临床成像设置。通过提供一种一致的自动化方法，使用定量指标对活体、未染色细胞进行分类，这样的模型为提高临床精子分析实践并减少临床环境中的变异性提供了有前景的机会。

图4 人工智能在精子分析中的应用

【基于微流控的精子筛选——被动策略】

Chinnasamy等介绍了一种称为简单周期阵列用于捕获和隔离（SPARTAN）的微流控装置，该装置使用一个微柱阵列，通过将精子迁移行为与阵列尺寸和间距相关联，从未经处理的精液中分离出高活动力的精子（见图5A），这一灵感来自于女性生殖道的自然过滤能力。通过调节精子的方向持久性，SPARTAN在10分钟内增加了前向运动和非前向运动精子群体之间的空间分离。实验显示，经过排序的精子的活动力超过99%，形态改善了5倍，DNA完整性提高了2-4倍。Nosrati等设计了一种具有500个平行微通道的装置，可以在15分钟内高效筛选出前向运动精子。在静止流动条件下，活动力强的精子通过微通道游到出口处，从而有效地将它们与死精子、体细胞和碎片分离开来。这一单步过程使得超过5000万个精子被选中，DNA完整性提高了80%以上。基于这一概念，一种带有52个微通道的径向网络微流控装置被设计出来，用于隔离那些跟随边界游动的活动力强的精子（见图5B）。Xiao等介绍了一种名为FertDish的装置，它将一个含有微通道阵列的黏附薄膜集成到标准的ICSI培养皿中（见图5C）。结果允许选择出前向运动精子，对于供体和患者样本，DNA完整性分别改善了超过91%和74%。将这种筛选机制扩展到3D，一种称为精子注射器的3D打印装置利用560个微通道（见图5D），增加了精液样本与新鲜培养基之间的接触面积。该装置提供了一种快速机制来选择足够数量和体积的精子（约160万个细胞在500 µL中），不仅适用于IVF和ICSI，还适用于IUI应用，DNA完整性和形态分别提高了62%和65%。类似的几何形状也可以通过使用激光切割机在层压板上刻蚀微通道制造出来，然后将它卷绕在玻璃柱上作为精子选择的管插入物，所选精子的DNA完整性提高了95%。

图5 用于精子选择的被动微流控策略

【基于微流控的精子筛选——主动策略】

外部力量，例如电泳或声学，已被用于主动分类精子。Ainsworth等人开发了一种基于电泳的精子分类平台，该平台通过施加75毫安的电流，使健康的、带负电荷的精子穿过聚丙烯酰胺层向阳极移动（图6A），从而将它们与死细胞和碎片分离。这种方法分离出的精子细胞具有比DGC筛选出的精子更高的DNA完整性。表面声波（Surface Acoustic Waves, SAW），以一定角度定向于流动场，被用于根据精子的运动能力和形态特征进行分类。声场重新定位高运动能力的精子，使其游过通道宽度（图6B），从而将其与精液样本的主流分离。选定的细胞显示出显著更高的活力和运动能力，同时DNA碎片化程度较低，相较于原始样本。同样地，使用高频SAW，该团队表明有潜力将精子的运动能力提高30%以上，并使样本中超过30%的不动精子变得活动（图6C），而不会降解DNA完整性或生存能力。低强度超声波的重复脉冲已被证明可以显著增强并维持精子的活动能力，以非侵入性的方式，相较于未暴露于超声波的精子，运动参数提高了至少25%。由于精子的运动能力直接与患者的治疗选择和受精结果相关联，这些方法可以为严重的男性不育病例提供新的治疗机会，例如在精子无力症的情况下。

图6 用于精子选择的主动微流控策略

【总结与展望】

微流控技术通过精确评估关键参数（包括运动能力、DNA完整性和结构完整性），显著推进了精子分析。这些设备模拟体内环境，为了解精子游泳行为及其与生殖道的相互作用提供了关键见解。通过利用精子的自然游泳特性，如边界跟随行为，微流控设备提供了非侵入式、无需离心的方法，在改善运动能力和DNA完整性方面优于传统技术。此外，与高分辨率成像相结合的良好控制的微流控环境，使活体、未染色精子的详细形态评估成为可能，确保选择出形态更优的精子。总的来说，这些设备为辅助生殖中的精子评估和选择提供了创新策略。

近期的机器学习模型已标准化并加速了个体和群体水平的精子分析，有潜力改善所有辅助生殖技术（ART）周期中的临床实践。虽然实时形态分类取得了显著进展，但对临床医生主观注释的依赖引入了潜在的偏见和不准确性。这突显了探索可以独立于临床医生输入提供评估的无监督模型的必要性。此外，该领域可以从虚拟染色和非侵入性细胞内特征评估的生成模型的进步中受益匪浅。虽然已经开发了一些用于DNA分析的模型，但它们尚未在临床环境中进行测试和实施。此外，现有的模型还没有一个全面整合所有关键精子参数——形态、运动能力、DNA完整性和顶体状态——到统一的框架中，以进行全面的精液分析或精子选择。最后，这些方法的临床验证仍是一个关键挑战，需要工程实验室、生育诊所以及早期与制造和监管合作伙伴的合作，以确保其在现实临床环境中的效果和安全性。通过实现这类机器学习模型与微流控技术的全部潜力，可以大大改进当前的精子分析和选择方法，使生育护理更加成功、经济实惠和可及。

了解更多

关注“EngineeringForLife”，了解更多前沿科研资讯