利用ai重建细胞内动作电位：基于纳米电极阵列的深度学习方法
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
细胞内电生理学在神经科学、心脏学和药理学研究中至关重要，它能揭示细胞的电特性。纳米电极阵列（NEA）技术通过同时高通量记录细胞内和细胞外动作电位（iAP和eAP），为传统方法提供了极具潜力的替代方案。
尽管利用NEA获取细胞内电位仍存在挑战，但斯坦福大学和加州大学的研究团队开发了一种AI辅助技术，该技术利用NEA上干细胞衍生心肌细胞的数千个同步eAP和iAP数据对进行训练。
这项基于物理学的深度学习模型展现了其在非侵入性、长期、高通量药物心脏毒性评估中的潜力，为未来各种细胞类型和药物相互作用的电生理学研究开辟了新途径。该研究成果已于2025年1月14日发表在《Nature Communications》杂志上，题为“Intelligent in-cell electrophysiology: Reconstructing intracellular action potentials using a physics-informed deep learning model trained on nanoelectrode array recordings”。
现有药物研发方法的局限性
目前的药物研发过程成本高昂且效率低下，其中一个主要挑战在于临床前筛选的预测能力有限，它依赖于动物模型和细胞系，物种间的差异可能导致其无法准确反映人体生理状况。
电生理学研究生物细胞和组织的电特性，对于理解药物机制、开发心脏和神经疗法以及评估药物的心脏毒性至关重要。目前，细胞内电生理学的金标准是膜片钳技术，该技术能够高精度测量细胞内电位。然而，其通量低、操作繁琐且具有侵入性。
细胞外电生理学技术，例如微电极阵列（MEA），克服了膜片钳技术的侵入性和通量限制。但由于电极位于细胞外，其记录的电信号信息有限，无法捕捉到心脏毒性评估所需细胞内电位的细微变化。
纳米电极阵列（NEA）由比细胞小200倍的独立纳米级电极组成，它结合了细胞内和细胞外电生理学技术的优势，能够同时高通量记录来自各种细胞类型的细胞外信号和按需细胞内信号。
本研究的目标是构建一个模型，利用eAP记录重建iAP波形。研究人员介绍了物理信息注意力UNET（PIA-UNET），这是一种从eAP波形重建iAP波形的深度学习方法。与依赖大量参数估计的传统模型不同，PIA-UNET通过关注内在模式来转换eAP和iAP之间的关系，避免了复杂的参数估计步骤。
eAP和iAP数据对
本研究通过使用纳米电极获得的时间同步eAP和iAP记录对来训练深度学习模型，从而从eAP记录中重建iAP波形。高质量的训练数据集对深度学习模型的有效性至关重要。研究人员对eAP和iAP特征之间进行了全面分析，发现了它们之间的新关系。
深度学习模型
研究人员开发了Attention-Residual-Block UNET模型，并使用伪物理损失函数对其进行了增强。该模型在三个测试集中对膜电位的预测值与实际值高度相关，证明了其能够从eAP记录中准确重建iAP波形。
应用潜力
该模型从无创eAP记录中准确重建iAP的能力在电生理学中具有巨大的应用潜力，例如在药物心脏毒性评估中，以及更广泛的心脏电生理学研究中。
未来展望
这项研究提出了一种非侵入性、智能的电生理学技术，结合了NEA和PIA-UNET的优势。虽然目前的研究受到数据集规模和多样性的限制，但其未来发展潜力巨大。扩大数据集是开发更强大模型的关键步骤。
论文链接：https://www.php.cn/link/da27d51c6cf1872b5d8089dfe221c35a
