无须侵入，AI创新重塑细胞电活动，革新药物心脏毒性评估方法

细胞内电生理学在神经科学、心脏病学及药理学领域中对细胞电特性的研究具有重要意义。纳米电极阵列（NEA）通过实现对细胞内和细胞外动作电位（iAP 和 eAP）进行高通量的同步记录，提供了一种极具前景的替代方案。

尽管使用 NEA 进行细胞内电位的获取仍然面临不少挑战，但美国斯坦福大学与加州大学联合研究团队提出了一种基于 AI 的新技术，该技术利用来自 NEA 上干细胞衍生心肌细胞的数千组同步 eAP 和 iAP 数据。

该团队开发的基于物理学的深度学习模型展示了其在非侵入性、长期、高通量药物心脏毒性评估中的潜力，为未来多种细胞类型与药物相互作用的电生理学研究奠定了基础。

他们的研究题为《Intelligent in-cell electrophysiology: Reconstructing intracellular action potentials using a physics-informed deep learning model trained on nanoelectrode array recordings》，将于2025年1月14日在《Nature Communications》上发表。

现阶段医学方法

当前药物开发过程不仅成本高昂，效率也相对低下。其中一个主要挑战在于临床前筛选的预测能力有限，该过程通常依赖于动物模型和细胞系。然而，由于物种间的生理差异，这些模型可能无法准确反映人类生理学。

电生理学对研究生物细胞和组织的电特性至关重要，它有助于揭示药物机制，开发心脏及神经疗法，并评估各类药物的心脏毒性。目前，医学领域普遍采用的细胞内电生理学技术是膜片钳技术，该方法以高精度测量细胞内电位。然而，膜片钳的通量较低、操控需手动，且对细胞的记录存在侵入性。

相比之下，细胞外电生理学技术如微电极阵列（MEA）克服了膜片钳技术关于侵入性和通量的限制。然而，由于记录电极位于细胞外，该技术所提供的电信号形态信息有限，无法捕捉到心脏毒性评估所需的细微细胞内电位变化。

图示：纳米电极的数据收集与预处理。（图源：论文）

纳米电极阵列（NEA）由比细胞体积小200倍的独立纳米级电极组成，已成为一种极具潜力的新方法，结合了细胞内外电生理学技术的优点，能够同时记录来自多种细胞类型的单细胞高通量细胞外信号以及按需生成的细胞内信号。

研究团队的目标是构建一个模型，基于 eAP 记录重建 iAP 波形。所采用的方法是物理知情注意力 UNET（PIA-UNET），这是一种利用 eAP 波形重建 iAP 波形的深度学习方法。

与以往依赖大量参数估计的传统模型不同，PIA-UNET 通过关注内在模式，实现了 eAP 和 iAP 之间关系的直观转换，从而避开复杂的参数估计步骤。

通过对 eAP 与 iAP 对之间相关性的定量分析，研究假设认为 eAP 中包含足够的信息来重建 iAP，并通过实验表明，物理信息深度学习模型能够从 eAP 记录中准确重建 iAP。

eAP 和 iAP 对

本研究的目标在于通过针对 eAP 和 iAP 记录的时间同步，训练深度学习模型以从 eAP 数据中重建 iAP 波形。

训练数据集的质量对任何深度学习模型的有效性至关重要。因此，尽管先前研究已显示 NEA 记录的归一化 iAP 波形与膜片钳技术的金标准存在相似性，团队仍对此进行了更为全面的分析。

通过独特的数据集，其中包含多个 eAP 和 iAP 对，揭示了 eAP 和 iAP 特征之间的新关系。在确认 eAP 特征为 iAP 特征的准确预测因子之后，团队探讨了是否可以利用深度学习从 eAP 中重建完整的 iAP 波形。

图示：物理知情注意力 UNET 从 eAP 信号重建整个 iAP 波形。（图源：论文）

深度学习算法在处理和分析高维数据方面展现出色。在努力从相应的 eAP 数据中重建整个位点 iAP 波形的过程中，开发了以注意力残差块为基础的 UNET 模型，并通过伪物理损失函数增强了其性能。

该模型在三个测试集上对膜电位的预测结果与实际值高度相关，展现出优秀的相关性。训练集中所验证的多项误差指标证明了该模型能够从 eAP 记录中准确重建 iAP 波形。

该模型准确从非侵入性的 eAP 记录中重建 iAP 的能力在电生理学领域具备广泛的应用潜力。其中一个应用是在 CIPA 倡议的背景下，旨在开发改进的体外模型，以使用干细胞来源的心肌细胞更精准地评估心脏毒性。

此外，该模型能够记录任何所需 iAP 特征的变化，包括整个记录中的动作电位持续时间（APD）值。

内源性动作电位（iAP）信号。

通过对从人类干细胞衍生的心肌细胞单层中收集到的数千个独特的 iAP 与外源性动作电位（eAP）信号对进行分析，团队揭示了 eAP 及 iAP 特征之间的新关系，进而开发出一个基于物理原理的深度学习模型，以从 eAP 信号中高效重建 iAP 波形。

尽管当前的研究内容受到数据集规模和多样性的限制，但细胞内电生理学未来研究的潜力不可估量。扩大数据集是开发更强大且全面模型的关键一步，团队的未来发展目标是与更广泛的科学界分享这些模型。

论文链接：https://www.nature.com/articles/s41467-024-55571-6#data-availability