基于MEA的图形偏差网络用于早期自闭症综合征在人类前脑器官中的签名.
Arianna Mencattini1,2, Giorgia Curci1,2, Alessia Riccardi1,2
1Department of Electronic Engineering, University of Rome Tor Vergata, 00133 Rome, Italy.
Cyborg and bionic systems (Washington, D.C.)
|November 10, 2025
概括
一个新的深度学习框架分析了人体器官的神经活动,以预测自闭症谱系障碍 (ASD) 风险. 这项技术可提供神经发育功能障碍的早期检测和实时神经毒性查.
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
- 发展生物学 发展生物学
背景情况:
- 多电极阵列 (MEAs) 对于理解神经群活动和网络系统至关重要.
- MEAs使高分辨率的非侵入性记录能够用于研究体外大脑发育和功能障碍.
研究的目的:
- 引入一种新的深度学习框架,即图形偏差网络 (GDN),用于分析神经尖端活动.
- 用人类前脑器官 (hFO) 来预测与自闭症谱系障碍 (ASD) 风险相关的网络层次变化.
主要方法:
- 从hFO编码振幅调制的尖峰列车作为动态图.
- 从这些动态图中提取拓描述符,以识别网络组织偏差.
- 使用图形偏差网络 (GDN) 来分析这些基于图形的特征.
主要成果:
- 该GDN框架成功地分析了hFO的尖端活动.
- 它可以在暴露于酸 (VPA),ASD风险因素的24小时内检测出功能障碍的早期迹象.
- 该方法捕获短暂的毫秒级事件,并识别突触信号传输,效率,路径长度和连接的中断.
结论:
- 与MEA结合的hFO作为ASD风险评估的预测平台.
- 这种方法可以实时进行神经毒性查.
- GDN框架为分析复杂的神经网络动态和识别神经发育干扰提供了强大的工具.
