DOI: https://doi.org/10.1038/s41467-024-55571-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39809732
تاريخ النشر: 2025-01-14
المؤلف: Keivan Rahmani وآخرون
الموضوع الرئيسي: علوم الأعصاب والهندسة العصبية
نظرة عامة
تناقش هذه الفقرة أهمية علم الفيزيولوجيا الكهربائية داخل الخلايا في مجالات مثل علم الأعصاب، وأمراض القلب، وعلم الأدوية، مع تسليط الضوء على قيود الطرق التقليدية مثل طريقة الباتش-كلامب، التي تعتبر دقيقة ولكنها منخفضة الإنتاجية وتدخلية. يقدم إدخال مصفوفات النانوإلكترود (NEAs) بديلاً عالي الإنتاجية لتسجيل إمكانات العمل داخل الخلايا وخارجها (iAP و eAP). ومع ذلك، لا تزال هناك تحديات في الوصول إلى إمكانات داخل الخلايا باستخدام NEAs. يقدم البحث تقنية مدعومة بالذكاء الاصطناعي تستخدم آلاف الأزواج المتزامنة من eAP و iAP المستمدة من خلايا القلب المشتقة من الخلايا الجذعية، كاشفة عن علاقات قوية بين ميزات معينة من eAP و iAP، مثل السعة وسرعة النبض.
طور الباحثون نموذج تعلم عميق مستند إلى الفيزياء قادر على إعادة بناء أشكال موجات iAP من التسجيلات الخارجية التي تم الحصول عليها من NEAs ومصفوفات الميكروإلكترود (MEAs). يظهر هذا النموذج إمكانيات للتقييمات غير التدخلية، طويلة الأمد، وعالية الإنتاجية لسمية الأدوية القلبية، مما يعالج تحديًا حاسمًا في تطوير الأدوية، والذي غالبًا ما يكون مكلفًا وغير فعال. يؤكد البحث على القوة التنبؤية المحدودة لطرق الفحص قبل السريرية الحالية، التي تفشل كثيرًا في تمثيل الفسيولوجيا البشرية بدقة، مما يؤدي إلى معدلات عالية لفشل الأدوية في التجارب السريرية، خاصة بسبب السمية القلبية والسمية الكبدية. يمكن أن تعزز هذه الطريقة المعتمدة على الذكاء الاصطناعي بشكل كبير أبحاث الفيزيولوجيا الكهربائية عبر أنواع الخلايا المختلفة وتفاعلات الأدوية، مما يحسن في النهاية عمليات تطوير الأدوية.
طرق
تحدد فقرة “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدم البحث نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة تأثيراتها على النتائج المعنية.
شملت جمع البيانات مصادر أولية وثانوية، مما يضمن مجموعة بيانات شاملة للتحليل. تضمنت الأدوات الإحصائية المستخدمة تحليل الانحدار واختبار الفرضيات، مما سهل فحص العلاقات بين المتغيرات والتحقق من فرضيات البحث. تؤكد الفقرة على صرامة الطرق المستخدمة، مع تسليط الضوء على ملاءمتها لمعالجة أهداف البحث وضمان موثوقية النتائج.
نتائج
تقدم فقرة النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة ارتباط كبيرة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. من الجدير بالذكر أن النتائج تظهر أن التدخل أو العلاج المطبق أدى إلى تحسينات قابلة للقياس، تم تحديدها من خلال مقاييس محددة.
علاوة على ذلك، يضع النقاش هذه النتائج في سياق الأدبيات الأوسع، مقترحًا تداعيات للبحث المستقبلي والتطبيقات العملية. يؤكد المؤلفون على أهمية هذه النتائج في تعزيز فهم الموضوع، مع الاعتراف أيضًا بالقيود المحتملة والمجالات التي تحتاج إلى مزيد من الاستكشاف. بشكل عام، تسهم النتائج في تقديم رؤى قيمة قد تُفيد كل من الأطر النظرية والاستراتيجيات العملية في المجال المعني.
نقاش
في هذه الدراسة، هدفنا إلى إعادة بناء أشكال موجات إمكانات العمل داخل الخلايا (iAP) من تسجيلات إمكانات العمل خارج الخلايا (eAP) باستخدام نموذج تعلم عميق تم تدريبه على أزواج متزامنة من بيانات eAP و iAP التي تم جمعها من النانوإلكترودات. أنشأنا نسبة إشارة إلى ضوضاء (S/N) cutoff تبلغ 90 ديسيبل لضمان تسجيلات عالية الجودة، وأظهرنا أن قنوات النانوإلكترود المجاورة تنتج أشكال موجات iAP متشابهة للغاية. من خلال إدخال مجموعة متنوعة من مثبطات قنوات الأيونات، أنشأنا مجموعة بيانات متنوعة من 2364 زوجًا متزامنًا من eAP/iAP، مما أتاح لنا استكشاف العلاقات بين ميزات eAP و iAP. من الجدير بالذكر أننا وجدنا علاقات قوية بين سعة eAP وسرعة نبض iAP، وحددنا ميزات رئيسية من eAP تتنبأ بخصائص iAP باستخدام طريقة تعلم الآلة XGBoost.
لإعادة بناء أشكال موجات iAP من إشارات eAP، طورنا نموذج UNET معدل يسمى PIA-UNET، والذي يتضمن دالة خسارة شبه فيزيائية تستند إلى نموذج Aliev-Panfilov. يضمن هذا النهج أن تكون التنبؤات متسقة مع البيانات ومعقولة فيزيائيًا، مما يعزز قوة النموذج عبر مجموعات بيانات مختلفة. تشير نتائجنا إلى أن PIA-UNET يعيد بناء أشكال موجات iAP بفعالية، محققًا معاملات ارتباط عالية (r = 0.99) وأخطاء مطلقة متوسطة منخفضة عبر مجموعات اختبار متنوعة. إن قدرة النموذج على التقاط ديناميات iAP بدقة من تسجيلات eAP تحمل إمكانيات كبيرة للتطبيقات في تقييم سمية الأدوية القلبية، مما يمكّن من المراقبة عالية الإنتاجية للفيزيولوجيا الكهربائية القلبية في خلايا القلب المشتقة من الخلايا الجذعية. ستركز الأعمال المستقبلية على توسيع مجموعة البيانات لتحسين دقة النموذج وقابليته للتطبيق عبر أنواع الخلايا المختلفة وتفاعلات الأدوية.
DOI: https://doi.org/10.1038/s41467-024-55571-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39809732
Publication Date: 2025-01-14
Author(s): Keivan Rahmani et al.
Primary Topic: Neuroscience and Neural Engineering
Overview
This section discusses the significance of intracellular electrophysiology in fields such as neuroscience, cardiology, and pharmacology, highlighting the limitations of traditional methods like patch-clamp, which are precise but low-throughput and invasive. The introduction of Nanoelectrode Arrays (NEAs) presents a high-throughput alternative for recording intracellular and extracellular action potentials (iAP and eAP). However, challenges remain in accessing intracellular potentials using NEAs. The study introduces an AI-supported technique that utilizes thousands of synchronous eAP and iAP pairs from stem-cell-derived cardiomyocytes, revealing strong correlations between specific features of eAP and iAP, such as amplitude and spiking velocity.
The researchers developed a physics-informed deep learning model capable of reconstructing iAP waveforms from extracellular recordings obtained from NEAs and Microelectrode Arrays (MEAs). This model demonstrates potential for non-invasive, long-term, high-throughput assessments of drug cardiotoxicity, addressing a critical challenge in drug development, which is often costly and inefficient. The study emphasizes the limited predictive power of current preclinical screening methods, which frequently fail to accurately represent human physiology, leading to high rates of drug failure in clinical trials, particularly due to cardiotoxicity and hepatotoxicity. This AI-based approach could significantly enhance electrophysiology research across various cell types and drug interactions, ultimately improving drug development processes.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved both primary and secondary sources, ensuring a comprehensive dataset for analysis. The statistical tools applied included regression analysis and hypothesis testing, which facilitated the examination of relationships between variables and the validation of the research hypotheses. The section emphasizes the rigor of the methods used, highlighting their appropriateness for addressing the research objectives and ensuring the reliability of the findings.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the intervention or treatment applied led to measurable improvements, quantified through specific metrics.
Furthermore, the discussion contextualizes these findings within the broader literature, suggesting implications for future research and practical applications. The authors emphasize the importance of these results in advancing understanding of the subject matter, while also acknowledging potential limitations and areas for further exploration. Overall, the findings contribute valuable insights that may inform both theoretical frameworks and practical strategies in the relevant field.
Discussion
In this study, we aimed to reconstruct intracellular action potential (iAP) waveforms from extracellular action potential (eAP) recordings using a deep learning model trained on time-synchronized pairs of eAP and iAP data collected from nanoelectrodes. We established a signal-to-noise ratio (S/N) cutoff of 90 dB to ensure high-quality recordings, and demonstrated that neighboring nanoelectrode channels yield highly similar iAP waveforms. By introducing various ion-channel blockers, we created a diverse dataset of 2364 synchronized eAP/iAP pairs, which allowed us to explore the correlations between eAP and iAP features. Notably, we found strong correlations between eAP amplitude and iAP spiking velocity, and identified key eAP features that predict iAP characteristics using the XGBoost machine learning method.
To reconstruct iAP waveforms from eAP signals, we developed a modified Attention-Residual-Block UNET model, termed PIA-UNET, which incorporates a pseudo-physics loss function based on the Aliev-Panfilov model. This approach ensures that predictions are both data-consistent and physics-plausible, enhancing the model’s robustness across different datasets. Our results indicate that PIA-UNET effectively reconstructs iAP waveforms, achieving high correlation coefficients (r = 0.99) and low mean absolute errors across various test sets. The model’s ability to accurately capture iAP dynamics from eAP recordings holds significant potential for applications in drug-induced cardiotoxicity assessment, enabling high-throughput monitoring of cardiac electrophysiology in stem-cell-derived cardiomyocytes. Future work will focus on expanding the dataset to improve model accuracy and applicability across diverse cell types and drug interactions.