《Communications Biology》：Automated inference of disease mechanisms in patient-hiPSC-derived neuronal networks
編輯推薦：
為解決從 MEA 數據闡釋神經元網絡潛在分子機制需大量實驗及傳統計算模型參數估計難的問題，研究人員開展 hiPSC 衍生神經元網絡疾病機制的自動推斷研究，利用 SBI 估算參數，結果表明其可精準推斷機制，助力疾病研究。
在神經系統疾病研究的浩瀚海洋中，探索疾病背后的分子機制猶如在迷霧中尋找燈塔。利用人類誘導多能干細胞（hiPSC）衍生的神經元網絡結合多電極陣列（MEA）技術，雖能捕捉健康與患病神經元的電活動差異，卻因解析潛在分子機制需依賴大量耗時耗力的實驗，且傳統計算模型參數估計面臨諸多挑戰，如參數難以顯式計算、計算成本高、無法評估不確定性等，使得研究進展緩慢。為突破這些瓶頸，荷蘭屯特大學（University of Twente）等機構的研究人員開展了相關研究，其成果發表在《Communications Biology》上，為疾病機制研究帶來了新的曙光。
研究人員主要采用了以下關鍵技術方法：一是使用 hiPSC 衍生技術將體細胞重編程為 hiPSC，并通過強制表達 Ngn2 將其分化為興奮性神經元，構建體外神經元網絡；二是借助多電極陣列（MEA）技術記錄網絡電活動，獲取包含 13 個特征的 MEA 數據；三是運用基于機器學習的模擬推理（SBI）方法，訓練深度神經密度估計器（NDE），以自動估算能解釋實驗觀測的生物物理模型參數，推斷參數后驗分布。
SBI 正確識別模擬神經元網絡活動的真實參數
研究人員從合理參數范圍內采樣 30 萬組模型參數配置，利用包含 100 個霍奇金 - 赫胥黎（HH）型神經元及 AMPA 和 NMDA 介導突觸的生物物理計算模型進行模擬，計算 13 個 MEA 特征來訓練 NDE。對已知參數的模擬數據進行參數推斷時，后驗分布在高概率區域包含真實模型參數，后驗眾數接近或完全重疊真實值，且眾數模擬與輸入數據高度相似，低后驗概率參數生成的模擬與數據差異顯著，表明 SBI 能正確識別生物物理計算模型參數。
SBI 可識別與健康 hiPSC 衍生神經元網絡 MEA 測量一致的全部參數范圍
利用 SBI 估算模擬健康體外神經元網絡活動的模型參數，眾數后驗分布模擬與實驗測量高度相似，不同 MEA 批次或星形膠質細胞批次的網絡測量后驗分布差異顯著。雖估計的模型參數分布較寬，但敏感性分析顯示模型對不同參數均有一定敏感性，條件后驗分布表明參數間相互制約，存在補償效應，如 AMPA 電導與連接概率（Conn%）、NMDA 電導與 Conn% 呈強負相關，NMDA 電導與短期突觸抑制強度（U (STD)）呈強正相關，說明 SBI 能識別需相互微調的參數，即便存在寬單變量邊際。
SBI 可識別體外神經元網絡中的藥物靶點
對添加影響特定分子機制藥物前后的健康神經元網絡活動測量應用 SBI，添加抑制突觸囊泡循環的 Dynasore 后，多個參數分布及成對邊際差異明顯，τD分布向更高值顯著偏移，模擬與體外實驗中網絡爆發持續時間（NBD）均大幅減少；添加 NMDA 受體阻滯劑 MK-801 后，后驗分布差異較小，模擬與體外測量中藥物添加前后差異均微乎其微，表明 SBI 只能識別在系統行為表征中清晰且一致反映的變化。
SBI 精準定位患者來源和基因編輯神經元網絡中的已知疾病機制
分析癲癇性腦病患者（Dravet 綜合征（DS）和熱性驚厥附加型全身性癲癇（GEFS+））及 CRISPR/Cas9 編輯的 CACNA1A 單等位基因移碼變異等網絡數據，SBI 推斷的后驗分布在健康對照與患病網絡間存在差異。DS 和 GEFS + 網絡的噪聲、鈉電導、鉀電導分布向更低值顯著偏移，STD 強度分布向更高值偏移，DS 的 NMDA 電導更高，GEFS + 的連接性更低、異步釋放更高；CACNA1A+/-網絡的噪聲參數、AMPA 電導和連接性分布向更低值顯著偏移，與體外實驗結果一致，表明 SBI 能識別已知疾病機制。
研究表明，SBI 結合生物物理計算模型可自動識別患者來源神經元網絡的疾病機制。其優勢顯著，如能識別解釋觀測的全部參數范圍、具有攤銷性等，為 MEA 數據分析提供了新方法。但該研究也存在一定局限性，如依賴模型對生物過程的充分捕捉、未建模某些疾病機制、參數數量受限、體外系統與人體大腦存在差異等。盡管如此，該研究為疾病機制研究提供了新思路，有助于減少實驗成本和時間，推動靶向實驗和疾病新見解的產生，在生命科學和健康醫學領域具有重要意義。
