在患者-hiPSC衍生的神经网络中自动推断疾病机制
Nina Doorn1, Michel J A M van Putten2,3, Monica Frega2,4
1Department of Clinical Neurophysiology, University of Twente, Enschede, The Netherlands. n.doorn-1@utwente.nl.
Communications biology
|May 20, 2025
概括
基于模拟的推断 (SBI) 使用机器学习来分析人类诱导的多能干细胞 (hiPSCs) 衍生的神经网络. 这种方法自动估计参数,从多电极阵列 (MEA) 数据中揭示疾病机制.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 干细胞生物学 干细胞生物学
背景情况:
- 人类诱导多能干细胞 (hiPSCs) 在多电极阵列 (MEAs) 上衍生的神经网络对于研究神经系统疾病非常有价值.
- 健康的神经元和患者的神经元之间的电活动模式的差异表明了潜在的病理.
- 从网络活动中识别疾病的分子机制需要复杂,耗时的实验.
研究的目的:
- 应用基于模拟的推理 (SBI),一种机器学习方法,从MEA数据自动估计生物物理模型参数.
- 展示SBI在将可观测的神经网络活动与潜在的分子机制联系起来的能力.
- 为了自动化和增强体外疾病机制的发现.
主要方法:
- 利用基于模拟的推断 (SBI),一种机器学习技术.
- 应用SBI来分析MEAs上的hiPSC衍生的神经网络中的电活动模式.
- 估计生物物理模型参数来解释观察到的网络活动.
主要成果:
- SBI准确估计了健康的hiPSC衍生神经网络的参数.
- SBI成功地确定了受药理剂影响的分子机制.
- 在患者衍生的神经网络中,SBI确定了关键的疾病机制.
结论:
- SBI提供了一种自动化和强大的方法,使用MEA记录来发现体外疾病机制.
- 这种方法弥合了实验观测和潜在的分子病理学之间的差距.
- SBI使用hiPSC衍生的神经元模型推进神经系统疾病的研究.
更多相关视频
07:32Analyzing Mitochondrial Transport and Morphology in Human Induced Pluripotent Stem Cell-Derived Neurons in Hereditary Spastic Paraplegia
Published on: February 9, 2020
7.7K
11:42In vitro Modeling for Neurological Diseases using Direct Conversion from Fibroblasts to Neuronal Progenitor Cells and Differentiation into Astrocytes
Published on: June 10, 2021
4.8K
