石墨烯微电极阵列,4D结构化照明显微镜和机器学习尖端排序算法允许分析神经信号传递期间的神经元超结构变化的分析,在C型尼曼-皮克疾病模型中
Meng Lu1, Ernestine Hui1, Marius Brockhoff1
1Department of Chemical Engineering and Biotechnology, University of Cambridge, Philippa Fawcett Drive, Cambridge, CB3 0AS, UK.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 28, 2024
概括
研究人员开发了石墨烯微电极阵列 (G-MEAs) 和机器学习,同时跟踪神经元活动和突触变化. 这表明,尼曼-皮克疾病C型 (NPC) 进展会扩大突触,损害神经元信号传递.
科学领域:
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
背景情况:
- 了解神经元功能需要同时记录网络活动和突触超结构.
- 快速的神经元活动和微妙的突触形态变化带来了重大的技术挑战.
研究的目的:
- 开发一种方法,同时记录网络活动和超结构性突触变化.
- 为了研究尼曼-皮克病C型 (NPC) 对海马神经元的影响.
主要方法:
- 利用专门设计的石墨烯微电极阵列 (G-MEAs) 进行高时间和空间分辨率的记录.
- 开发了一种机器学习 (ML) 算法,用于高效地处理电生理学数据.
- 采用4D结构化照明显微镜 (SIM) 进行突触结构的高分辨率成像.
主要成果:
- 证明了G-MEAs,ML峰值分析和4D SIM的联合疗效.
- 显示,与对照组相比,用NPC抑制剂治疗的海马神经元表现出明显扩大的突触突起.
- 在接受治疗的神经元中观察到神经元信号传导能力的随之损失.
结论:
- 综合的G-MEA,ML和SIM方法可有效监测疾病引起的突触变化.
- NPC的进展导致突触缩和神经元通信受损.
