机器学习启用检测iPSC衍生的精神分裂症和双相情感障碍模型中的电生理学特征
Kai Cheng1, Autumn Williams1, Anannya Kshirsagar2
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, Maryland 21218, USA.
APL bioengineering
|September 25, 2025
概括
这项研究开发了一个计算管道,以找到用于诊断精神分裂症 (SCZ) 和双相情感障碍 (BPD) 的电生理学特征,使用大脑器官和细胞培养. 机器学习准确地识别了疾病模式,为客观的生物标志物发现铺平了道路.
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
- 生物标志物发现发现
背景情况:
- 神经精神疾病如精神分裂症 (SCZ) 和双相情感障碍 (BPD) 缺乏客观的诊断生物标志物,依赖于主观的临床评估.
- 目前对SCZ和BPD的诊断方法受到缺乏可靠,可量化的指标的限制.
研究的目的:
- 开发和验证一种计算管道,用于在患者衍生模型中识别特定疾病的电生理学特征.
- 探索多电极阵列 (MEA) 记录和机器学习的潜力,以客观诊断SCZ和BPD.
主要方法:
- 使用患者衍生的大脑器官 (COs) 和二维皮层内部神经元培养 (2DNs) 来进行多电极阵列 (MEA) 记录.
- 应用了支向量机分类器来分析基线和电后刺激 (PES) 条件的高维电生理数据.
- 提取了特定道的网络活动指标作为关键的区分特征.
主要成果:
- 实现了95.8%的分类准确度,用于区分SCZ与2DNs中的控制.
- 从83.3% (基线) 提升到91.6% (PES),使得对照,SCZ和BPD队列的分离成为可能.
- 电后刺激 (PES) 显著提高了分类性能,特别是在BPD检测方面.
结论:
- 基于MEA的功能表型结合机器学习可以发现可靠的,对刺激敏感的电生理学生物标志物.
- 这种方法为神经精神疾病的更客观的诊断工具提供了有希望的途径.
- 识别的电生理学特征有可能为SCZ和BPD的个性化治疗策略提供潜力.
更多相关视频
06:30Author Spotlight: Advancing Genetic Epilepsy Studies with Multi-Electrode Array-Based Long-Term Electrophysiological Monitoring of Human Brain Assembloids
Published on: September 27, 2024
2.0K
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
3.2K
