MEA-seqX平台实现大规模电生理与转录网络动态的高分辨率解析
Brett Addison Emery, Xin Hu, Diana Klütsch, Shahrukh Khanzada, Ludvig Larsson, Ionut Dumitru, Jonas Frisén, Joakim Lundeberg, Gerd Kempermann, Hayder Amin | Advanced Science 2025 | DOI: 10.1002/advs.202412373
标签: #空间转录组学 #高密度微电极阵列 #神经环路可塑性 #多模态数据融合 #海马体 #机器学习预测
一、做什么 🔬
研究背景：解析脑功能需跨越分子事件与神经元电活动的尺度鸿沟。现有Patch-seq通量极低且无法覆盖大尺度网络；Electro-seq仅限体外培养；CaRMA受限于钙成像的慢时间分辨率与事后转录分析；单一空间转录组学（SRT）仅提供静态快照，无法捕捉实时功能动态。跨模态、跨时间、跨尺度的同步记录与因果推断仍是神经科学的核心瓶颈。
核心问题：
- 能否在完整脑组织切片中同步获取高分辨率电生理与空间转录组数据？
- 经验依赖性可塑性是如何重塑海马环路中转录网络与电生理活动的拓扑连接？
- 静态空间基因表达谱能否精准预测全网络动态电生理特征？
研究模型：12周龄C57BL/6J小鼠海马-皮层急性脑切片（标准饲养SD组 vs. 丰富环境ENR组）。
技术路线：
- 高密度CMOS-MEA记录：使用4096电极阵列以14 kHz采样率捕获10分钟局部场电位（LFP）与网络放电模式
- 光学成像空间定位：同步获取脑片明场图像，保留解剖结构与电极阵列的物理对应关系
- Visium空间转录组测序：对同一组织切片进行5000捕获点阵列测序，获取空间条形码化mRNA表达谱
- 多尺度空间配准算法：基于齿状回解剖标志与图像尺寸/旋转校正，实现电极阵列与转录组位点的亚毫米级对齐
- 图论与机器学习分析：构建互信息/皮尔逊相关连接矩阵，应用NMF降维、扩散伪时间（DPT）、CARD反卷积与XGBoost预测模型
二、发现什么 📊
核心发现1：多模态硬件与算法实现亚毫米级空间对齐
图1：平台整合4096电极CMOS-MEA与5000位点空间转录组芯片，通过光学成像与自动配准算法实现亚毫米级多模态数据对齐。
| 维度 | 说明 |
|---|---|
| 做了什么 | 搭建CMOS-MEA电生理记录、光学显微镜与10X Visium空间转录组的串联硬件流程，开发基于齿状回解剖标志的自动缩放与旋转配准算法 |
| 发现什么 | 成功生成SRT位点与底层放电电极的局部/全局拓扑映射图谱，物理尺度差异通过分数匹配算法实现精确空间对应 |
| 说明什么 | 突破独立切片采集导致的拓扑失真，确保分子与功能数据在同一组织空间内直接对应，为后续跨模态因果推断提供物理基础 |
核心发现2：经验富集显著增强转录-功能耦合强度
图2：ENR组DG、CA3、CA1区与LFP频率相关的转录本数量较SD组分别增加2.2倍、2.5倍和0.6倍，NMF分解在p=12处出现重建误差拐点。
| 维度 | 说明 |
|---|---|
| 做了什么 | 计算SD与ENR小鼠海马切片中SRT基因表达谱与n-Ephys特征（LFP频率、振幅等）的斯皮尔曼相关系数，应用稀疏约束非负矩阵分解（NMF）进行降维 |
| 发现什么 | ENR组DG、CA3、CA1区与LFP频率相关的转录本较SD组分别增加2.2倍、2.5倍和0.6倍；NMF重建误差在因子数p=12处出现明显拐点，边际拟合提升停止 |
| 说明什么 | 丰富环境特异性上调即刻早期基因与突触可塑性相关转录本，12个核心因子足以解析多模态数据的共享时空模式，排除线性剂量效应假说 |
核心发现3：网络拓扑向小世界无标度架构演化
图3：ENR转录组与电生理网络节点数分别达877和2003，枢纽节点与富人俱乐部比例显著高于SD组，累积度分布呈现更显著的厚尾幂律特征（R²>0.95）。
| 维度 | 说明 |
|---|---|
| 做了什么 | 基于互信息（转录组）与皮尔逊相关（电生理）构建连接矩阵，运用图论计算节点度、枢纽节点、富人俱乐部系数及累积度分布，进行Kolmogorov-Smirnov检验 |
| 发现什么 | ENR转录组与电生理网络节点数分别达877和2003，枢纽节点与富人俱乐部比例显著高于SD组；双对数图显示厚尾幂律分布，拟合优度R²均>0.95（p<0.05） |
| 说明什么 | 经验依赖可塑性驱动网络向小世界无标度架构演化，密集连接枢纽增多标志着跨尺度通信效率、模块化程度与网络韧性的实质性提升 |
核心发现4：分子表达与电生理传播在时间维度高度同步
图4：ENR组四个海马亚区的扩散伪时间（DPT）进展速度显著快于SD组（p<0.001），且与电生理活动轨迹中心（CAT）的时空传播速率缩短高度同步。
| 维度 | 说明 |
|---|---|
| 做了什么 | 对静态SRT数据实施扩散伪时间（DPT）分析重构转录轨迹，同步计算全网络LFP的活动轨迹中心（CAT）时空位移速率与持续时间 |
| 发现什么 | ENR组四个海马亚区的DPT进展速度显著快于SD组（p<0.001），且与CAT持续时间缩短（传播加速）呈严格时空对齐 |
| 说明什么 | 分子表达动态与电生理信号传播在时间维度上高度同步，证实环境经验可加速海马环路的整体信息处理节奏，建立伪时间衍生的多尺度动力学模型 |
核心发现5：特定细胞亚群扩张直接贡献于局部网络兴奋性
图5：ENR组DG区Cck/Penk标记颗粒细胞及CA3区Nos1/Inhba标记锥体细胞比例显著升高，对应区域LFP频率与振幅同步增强（p<0.001）。
| 维度 | 说明 |
|---|---|
| 做了什么 | 采用CARD算法以单细胞数据为参考进行空间转录组反卷积，定位特定细胞类型标记基因并叠加对应区域LFP波形与频率特征 |
| 发现什么 | ENR组DG区Cck/Penk阳性颗粒细胞及CA3区Nos1/Inhba阳性锥体细胞比例显著升高，对应区域LFP频率与振幅同步增强（p<0.001） |
| 说明什么 | 转录组驱动的特定细胞亚群扩张直接贡献于局部网络兴奋性提升，实现细胞类型分辨率下的功能-分子因果关联，验证标记基因在环路重组中的核心作用 |
核心发现6：静态转录组可高精度反演动态电生理表型
图6：XGBoost模型基于空间转录组数据预测ENR组网络电生理特征的准确率达≈93%，显著高于SD组的≈70%（p<0.001）。
| 维度 | 说明 |
|---|---|
| 做了什么 | 提取70% SRT位点数据（333个基因/6个家族）训练XGBoost梯度提升模型，交叉验证预测LFP频率、振幅与事件延迟，计算皮尔逊相关系数与预测准确率 |
| 发现什么 | 模型在ENR数据集预测准确率达≈93%，SD数据集为≈70%，两组预测值与真实值皮尔逊相关系数差异极显著（p<0.001） |
| 说明什么 | 静态空间转录组蕴含足量信息以高精度反演动态电生理表型，为无标记预测网络功能状态提供可计算范式，降低后续实验对实时电生理记录的依赖 |
三、说明什么 💡
领域意义：该研究将空间转录组学从“静态快照”推向“动态功能映射”阶段。过去学界依赖独立样本推断分子-功能关联，常受限于批次效应与拓扑失真。MEA-seqX通过同源切片多模态对齐，首次在介观尺度证实转录网络与电生理活动遵循共同的无标度拓扑原则，并将经验依赖性可塑性的分子基础从相关性推演至可计算的预测模型。
临床/转化价值：
- 为神经退行性疾病（阿尔茨海默症、癫痫）提供多模态生物标志物筛选平台，通过静态活检样本预测网络功能衰退程度
- 加速靶向突触可塑性与即刻早期基因通路的药物开发，利用XGBoost预测模型实现高通量药效评估
- 推动精准医疗中的个体化环路干预策略，基于患者特异性转录-功能拓扑图谱定制神经调控参数
与我们产品的关联：该研究核心依赖高密度CMOS-MEA进行全网络电生理记录，与我们代理的3Brain平台技术路线完全一致。若客户需将急性切片模型升级为长期类器官或3D组织培养，可无缝衔接生物打印与长期培养系统。机器学习预测模块的落地需依赖高质量、低噪声的电生理原始数据，对电极阵列的信噪比与长期稳定性提出硬性要求。
与我们的产品
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| Cellink BIO X / BIO X6 | ⭐⭐ | 论文使用急性脑切片，若客户需构建长期存活的3D海马类器官或患者来源脑组织模型进行MEA-seqX同类多模态分析，BIO X6可提供标准化生物墨水打印与微环境控制 |
| 3Brain HD-MEA / CorePlate | ⭐⭐⭐⭐⭐ | 论文实际使用CorePlate 1 W 27/42 CMOS-MEA（4096电极，42 μm间距）完成全网络LFP记录，可直接复现该平台硬件配置，适用于高通量神经环路电生理-转录组联合实验 |
| Celvivo | ⭐⭐ | 适用于需长期监测类器官或组织切片电生理动态的场景，若客户希望将MEA-seqX的静态转录组分析扩展至数周尺度的发育或药物干预时间轴，可提供稳定培养与记录环境 |
| SIEVEWELL | ⭐ | 论文未涉及微流控高通量筛选，若客户后续需将XGBoost预测模型应用于大规模化合物库筛选，SIEVEWELL可提供标准化孔板级电生理与形态学并行检测 |
星级定义：
⭐⭐⭐⭐⭐ = 核心工具（论文里实际用了，或可直接替代）
⭐⭐⭐ = 配套使用（同一技术路线，我们的产品能做类似的事）
⭐⭐ = 潜在应用（方向相关，但需要客户自己建立方法）
⭐ = 勉强相关（同一领域，但产品线不直接覆盖）
参考文献
- Emery BA, Hu X, Khanzada S, et al. Experience-dependent plasticity reshapes hippocampal network dynamics and transcriptional topology. Biosens Bioelectron. 2023. DOI: 10.1016/j.bios.2023.115471
- Hu X, Khanzada S, Klütsch D, et al. High-density CMOS microelectrode arrays enable large-scale network electrophysiology in acute brain slices. Biosens Bioelectron. 2022. DOI: 10.1016/j.bios.2021.113834
- Ma Y, Zhou X. Spatial transcriptomics deconvolution reveals cell-type-specific gene expression in complex tissues. Nat Biotechnol. 2022. DOI: 10.1038/s41587-022-01272-8
- Haghverdi L, Büttner M, Wolf FA, et al. Diffusion pseudotime robustly reconstructs lineage branching. Nat Methods. 2016. DOI: 10.1038/nmeth.3971
- Zhang J, Jiao J. Immediate early genes in synaptic plasticity and memory formation. Biomed Res Int. 2015. DOI: 10.1155/2015/727542
转发语：把静态基因表达和实时脑电活动放在同一张切片上对齐，用AI直接从转录组数据反推全脑网络放电特征，这套多模态平台把神经环路研究推到了可计算预测的新阶段。
联系人：李东伟
📞 18045130660 🌐 https://www.biokingdom.top
📥 下载原文PDF：Advanced Science 2025 MEA-seqX平台