慢性肾脏病（CKD）模型系统：详细概述与最新进展
来源:华津生物微信公众号
|
作者:华津生物
|
发布时间 :2026-07-13
|
89 次浏览:
|
🔊 点击朗读正文
❚❚
▶
|
分享到:
本文系统梳理CKD研究的三大模型体系：动物模型（手术/化学/遗传/高血压/饮食诱导）复现整体病理但存在种属差异；体外模型（iPSC衍生细胞、肾脏类器官、肾小管类器官、器官芯片）以人源细胞重建三维微环境，弥补种属鸿沟并支持高通量筛选，但缺乏全身系统调控；计算模型（机器学习/流体动力学）通过整合数据实现精准预测（XGBoost预测透析AUC≈0.97）。未来方向聚焦三大模型深度融合——类器官-芯片互联、AI驱动实时分析，推动CKD研究从单一视角走向多维整合协作网络。
慢性肾脏病（CKD）是全球性公共卫生问题，患病率约占世界人口的10%，且呈持续上升趋势。CKD常进展为终末期肾病（ESRD），给患者和医疗系统带来沉重负担。为探究CKD的病理机制、筛选潜在治疗药物，研究者开发了多种实验模型系统。然而，没有一个模型能完美复刻人类CKD的全部特征，每种模型均有其独特的优势和局限性。
本文基于近期一篇综述文献，系统梳理上述模型的研究进展与应用现状，以期为CKD相关研究提供方法学参考。
慢性肾脏病（CKD）的研究主要依赖三大模型系统：体内（动物）模型、体外器官型模型和计算模型。
体内模型：在完整生物体层面（主要为啮齿类动物）模拟CKD的病理过程，能够反映疾病在多器官系统中的整体进展与治疗反应，是目前最经典的研究工具，但受限于种属差异和临床转化困难。
体外器官型模型：利用诱导多能干细胞（iPSC）或成体干细胞（ASC）构建三维肾脏类器官（Kidney Organoid）、肾小管类器官（Tubuloid）及器官芯片，在培养皿中重建人类肾脏的细胞多样性与微环境，为药物筛选和个性化医疗提供了更贴近人体生理的平台。
计算模型：整合多维度临床和实验数据，通过机器学习、系统生物学和流体动力学等算法预测疾病进展、优化诊疗决策，尤其在早期诊断和风险分层方面展现出强大潜力。
三大模型各有侧重、互为补充，共同构成了CKD研究的方法学基石。
动物模型根据诱导方式可分为五种主要类型：
手术模型：5/6肾切除通过切除大部分肾组织模拟残存肾单位高滤过损伤，与人类CKD晚期机制高度相似。单侧输尿管梗阻可在短期内诱导显著肾纤维化，是抗纤维化药物筛选的经典平台。缺血再灌注模型模拟肾移植或休克后血流恢复造成的“二次损伤”。
化学诱导模型：顺铂模型对理解化疗药物性肾损害意义重大。马兜铃酸模型源于“中草药肾病”事件，现已成为环境毒素相关肾病的标准工具。
遗传模型：多囊肾病小鼠和Alport综合征小鼠分别复现了相应人类遗传性肾病的病理过程。Zucker糖尿病肥胖大鼠和db/db小鼠被广泛用于2型糖尿病肾病研究。
高血压模型：Dahl盐敏感性大鼠揭示遗传背景影响个体对盐负荷的血压反应。血管紧张素II持续输注模型帮助厘清了肾素-血管紧张素系统在肾纤维化中的核心驱动作用。
饮食诱导模型：高果糖饮食可在数周内诱发蛋白尿和肾小管损伤。腺嘌呤模型操作简便，喂食含0.75%腺嘌呤的饲料4周即可使大鼠出现典型CKD表现。
然而，动物实验成果向临床转化时失败率极高，原因在于物种间药物代谢酶、受体分布和免疫反应的差异。此外，绝大多数实验使用8-12周龄的健康动物，无法代表临床中60岁以上、常合并高血压和糖尿病的CKD患者群体。
如果说动物模型的困境在于物种差异，那么体外人类细胞模型的设计初衷，正是为了打造一个更贴近人体生理的研究平台。目前，这一平台已发展出四种各具特色的技术路径。
iPSC衍生的肾脏细胞：iPSC技术可将患者来源的体细胞重编程为多能干细胞，再定向分化为肾单位样细胞，从而实现个体化疾病建模。
肾脏类器官（Kidney Organoids）：通过3D自组织形成了包含肾小球、肾小管等多种结构的多细胞体系，被广泛用于多囊肾病、Alport综合征等遗传性肾病的建模以及高通量药物筛选。
肾小管类器官（Kidney Tubuloids）：来源于成体干细胞，具有长期稳定培养和多次传代的优势，主要包含肾小管上皮细胞，特别适用于肾小管生理和药物转运研究。
器官芯片（Organ-on-a-Chip）：结合微流体系统，能够模拟肾脏的流体剪切力、液压等力学环境，重建过滤、重吸收和分泌等核心功能，目前已有肾小球芯片和肾小管芯片等多种构型。
体外模型的优势在于采用人源细胞、实验条件精确可控，弥补了动物模型的种属差异，同时支持高通量筛选和个性化药物测试。然而，目前这些模型仍以单一组织或器官为主，缺乏神经、内分泌和免疫系统的整体调控环境，距离完整再现肾脏功能尚有距离。
计算模型不涉及生物材料，而是以临床数据和算法在服务器上运行，产出疾病预测结果。
传统估算的升级：从Cockcroft-Gault到CKD-EPI，GFR估算公式不断更新。但传统回归模型难以捕捉变量间的非线性交互，机器学习恰好填补了这一空缺。
机器学习突破：基于UCI数据库的研究显示，神经网络区分CKD患者与健康对照的准确率达99.75%，远超传统方法。XGBoost模型预测患者进展至透析风险的AUC值接近0.97。
从“黑箱”到可解释：SHAP和LIME等工具可量化每个临床指标对预测结果的贡献度，使医生能够理解AI的决策逻辑，增强临床信任。
更多应用：计算流体动力学模型优化透析器结构，药代动力学模型模拟不同肾功能下的给药方案。未来多模态AI有望整合基因组、影像和实时监测数据，实现个体化风险动态追踪。
展望未来，CKD模型研究的方向不是“择优”，而是“整合”。研究者们正致力于推动体内、体外和计算模型的深度融合，例如将类器官培养于器官芯片之上，同时利用AI对实验数据进行实时分析和预测。更具前瞻性的构想是“人体芯片”系统——将多个器官芯片互联，模拟全身生理和药物反应，这一技术有望在未来部分替代动物实验。同时，AI将继续在个性化风险评估、早期预警和治疗策略优化中发挥核心作用，推动CKD管理从“千人一方”走向“因人而异”。此外，整合患者来源的iPSC细胞、多组学数据（基因组、蛋白组、代谢组）和先进影像技术，将有助于弥合实验研究与临床实践之间的鸿沟。
从整体动物到离体细胞，再到虚拟计算，每一类模型都拓展了研究视野，也暴露了单一视角的局限。未来推动CKD研究的关键，或许不在于寻找一个“完美”模型，而在于构建一套让动物模型、人源类器官和AI算法彼此对话、相互校准的整合框架——让模型从现实的简化替代品，升维为揭示疾病本质的协作网络。
参考文献：
Lahane GP, Dhar A, Bhat A. Model Systems of Chronic Kidney Disease: A Detailed Overview and Recent Advances. J Biochem Mol Toxicol. 2025 Jun;39(6):e70302
