智能细胞内电生理学:使用在纳米电极阵列记录上训练的物理信息深度学习模型重建细胞内动作潜力

科学领域:

• 电子生理学 电子生理学
• 心脏病学 心脏病学
• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 传统的电生理学方法,如补丁是精确的,但限制吞吐量,是侵入性的.
• 纳米电极阵列 (NEAs) 提供高通量同时进行细胞内和细胞外记录,但在访问细胞内潜力方面面临挑战.
• 开发非侵入性,高通量方法对于推进细胞电特性研究至关重要.

研究的目的:

• 开发一种由人工智能支持的技术,从细胞外记录中重建细胞内动作潜力 (iAP).
• 建立细胞外信号作为细胞内活动的可靠指标.
• 为了实现非侵入性,高通量药物心脏毒性评估.

主要方法:

• 在NEAs上利用了数千个来自干细胞衍生心肌细胞的同步细胞外动能 (eAP) 和iAP对.
• 分析了特定的eAP和iAP特征之间的相关性.
• 开发了一个基于物理的深度学习模型,从细胞外记录中重建iAP.

主要成果:

• 证明了细胞外和细胞内动作潜能特征之间的强烈相关性.
• 展示了细胞外信号能够可靠地表明细胞内活动的能力.
• 验证了AI模型在从NEA和微电极阵列 (MEA) 数据中重建iAP波形方面的有效性.

结论:

• 从细胞外记录中对iAP的AI驱动的重建是可行的和可靠的.
• 这种非侵入性方法有助于高通量药物心脏毒性查.
• 开发的模型对未来的电生理学研究具有显著的潜力,涉及多种细胞类型和药物相互作用.