編輯丨&
細胞內電生理學在神經科學、心臟病學和藥理學中對於研究細胞的電特性至關重要。奈米電極陣列 （NEA） 透過以高通量同時進行細胞內和細胞外動作電位 （iAP 和 eAP） 記錄，提供了一種很有前途的替代方案。
雖然，使用 NEA 獲取細胞內電位仍頗具具有挑戰性，但美國史丹佛大學與加州大學的聯合研究團隊提出了一種 AI 支援的技術，該技術利用來自 NEA 上幹細胞衍生心肌細胞的數千個同步 eAP 和 iAP 對。
這種基於物理學的深度學習模型展示了其用於非侵入性、長期、高通量藥物心臟毒性評估的潛力，為未來各種細胞型別和藥物相互作用的電生理學研究鋪平了道路。
他們的研究以「Intelligent in-cell electrophysiology: Reconstructing intracellular action potentials using a physics-informed deep learning model trained on nanoelectrode array recordings」為題，於 2025 年 1 月 14 日刊登於《Nature Communications》。
現階段醫學方法
目前，藥物的開發過程成本高昂且效率低下。其中的一個關鍵挑戰是臨床前篩選的預測能力有限，它依賴於動物模型和細胞系。由於物種間的差異，它可能無法準確代表人類生理學。
電生理學研究生物細胞和組織的電特性，對於瞭解藥物機制、開發心臟和神經療法以及評估各種藥物的心臟毒性至關重要。目前醫學科學所有領域使用的細胞內電生理學技術的金標準是膜片鉗技術。這種方法可以高精度地測量細胞內電位。然而，這種技術通量低，需要手操，並且對記錄的細胞仍然具有侵入性。
細胞外電生理學技術，如微電極陣列 （MEA），克服了膜片鉗的侵入性和通量限制。然而，由於記錄電極保持在細胞外，該技術提供的電訊號形狀資訊有限，無法解決心臟毒性評估所需的細胞內電位的細微變化。
奈米電極陣列 （NEA），由比細胞大小小 200 倍的獨立奈米級電極組成，已成為一種很有前途的方法，它結合了細胞內和細胞外電生理學技術的優勢，並且能夠同時記錄來自各種細胞型別中單個細胞的高通量細胞外訊號和按需細胞內訊號。
在這裡，團隊們的目標是構建一個模型，使用 eAP 記錄重建 iAP 波形。研究介紹了物理知情注意力 UNET （PIA-UNET），這是一種從 eAP 波形重建 iAP 波形的深度學習方法。
與依賴大量引數估計的傳統模型不同，PIA-UNET 透過關注內在模式來直觀地轉換 eAP 和 iAP 之間的關係，從而繞過了複雜的引數估計步驟。
透過對 eAP 和 iAP 對之間的相關性進行定量分析，研究假設 eAP 中有足夠的資訊來重建 iAP。然後，透過實驗證明，使用物理資訊深度學習模型可以從 eAP 記錄中完全準確地重建 iAP。
eAP 和 iAP 對
這項工作的目標是透過使用帶有奈米電極的時間同步對 eAP 和 iAP 記錄來訓練深度學習模型，從 eAP 記錄中重建 iAP 波形。
訓練資料集的質量對於任何深度學習模型的有效性都至關重要。因此，雖然以前的研究已經證明了 NEA 記錄的歸一化 iAP 波形與金標準膜片鉗技術之間的相似性，但團隊還是就此進行了更全面的分析。
eAP 和 iAP 特徵之間揭示的這些新關係之所以能夠識別，只是因為採用了獨特的資料集，該資料集由多個 eAP 和 iAP 對組成。在確定 eAP 特徵是 iAP 特徵的準確預測因子後，團隊探究是否可以使用深度學習從 eAP 重建整個 iAP 波形。
深度學習演算法擅長處理和分析高維資料。在努力從相應的 eAP 重建整個 iAP 波形的過程中，Attention-Residual-Block UNET 模型被開發，並透過偽物理損失函式對其進行了增強。
該模型在三個測試集中對膜電位的預測值與實際值密切相關，顯示出高度相關性 。訓練集中不同的誤差指標證明了該模型能夠從 eAP 記錄中準確重建 iAP 波形。
模型從無創 eAP 記錄中準確重建 iAP 的獨特能力在電生理學中具有巨大的應用潛力。其中一種應用是在 CIPA 倡議的背景下，旨在開發改進的體外模型，以使用幹細胞來源的心肌細胞更準確地評估心臟毒性。
它也可以可以報告任何所需 iAP 特徵的變化，包括整個記錄中的 APD 值。由此可以詳細觀察心肌細胞群內的變化，有助於在單個細胞和更廣泛的細胞群水平上進行深入的心臟電生理學研究。
團隊期望的發展
在這項工作中，他們提出了一種非侵入性、智慧的電生理學技術，它結合了兩項最近的進展：奈米電極陣列，可以同時記錄來自數千個互連細胞的細胞內和細胞外訊號；以及 PIA-UNET，可快速、精確地重建 iAP 訊號。
透過從人類幹細胞衍生的心肌細胞單層中收集了數千個不同 iAP 和 eAP 對的獨特資料集，團隊發現了 eAP 和 iAP 特徵之間的新關係，並開發了一個基於物理的深度學習模型，以從 eAP 訊號中準確重建 iAP 波形。
雖然研究的內容仍受到資料集規模和多樣性的限制，但細胞內電生理學的未來研究潛力是巨大的。資料集擴充套件是朝著開發更強大、更全面的模型邁出的關鍵一步，團隊未來的發展目標是與更廣泛的科學界分享這些模型。
論文連結：https://www.nature.com/articles/s41467-024-55571-6#data-availability