MEA-seqX：大规模电生理与转录组网络动态高分辨率分析平台
来源文献: Emery BA, Hu X, Klütsch D, et al. MEA-seqX: High-Resolution Profiling of Large-Scale Electrophysiological and Transcriptional Network Dynamics. Advanced Science. 2025;12:2412373.
DOI: 10.1002/advs.202412373
原文PDF: 下载
发表日期: 2025年
机构: 德国神经退行性疾病中心 (DZNE) · Karolinska 研究所 · KTH 皇家理工学院
核心发现
这篇 Advanced Science 2025 论文由德国 DZNE 的 Hayder Amin 实验室联合Karolinska 研究所 Jonas Frisén 和 Joakim Lundeberg 实验室开发了 MEA-seqX 平台，首次将**高密度 CMOS-MEA（4096 电极）与空间转录组学（SRT）**整合在同一组织样本中，实现了在同一神经回路中同时记录电生理活动和基因表达，揭示了经验依赖性可塑性（ENR）下转录组与功能网络的大规模协同动态。
五大突破
- MEA-seqX 平台——整合 HD-MEA、光学成像和空间转录组学，实现多模态数据在同一组织中的精确对齐
- 转录-功能关联——首次证明丰富环境（ENR）下 DG 和 CA3 区域的基因表达与 LFP 活动显著增强（2.2-2.5 倍）
- 网络拓扑分析——图论分析揭示 ENR 中双模枢纽节点和富俱乐部组织增加
- 细胞类型指纹——从空间转录组数据推断细胞类型组成，并与放电特征关联
- 机器学习预测——ML 算法可从转录组特征高精度预测网络电生理活动特征
技术策略
MEA-seqX 平台架构
- 核心传感器: CMOS-MEA（4096 电极），记录海马-皮层切片的 LFP 活动
- 空间转录组: Visium SRT（5000 spots），保留组织空间结构
- 光学成像: 精确定位解剖结构，实现电极-spot 对齐
- 计算分析:
- 多尺度空间重缩放和对齐算法
- 非负矩阵分解（NMF）降维
- 图论网络拓扑分析
- 机器学习预测模型
关键检测
| 方法 | 检测内容 |
|---|---|
| HD-MEA 记录 | 4096 通道同时记录 LFP 活动 |
| 空间转录组 | 5000 spots，全转录组空间表达谱 |
| NMF 分解 | 识别空间基因表达子网络 |
| 图论分析 | 枢纽节点、富俱乐部、小世界拓扑 |
| ML 预测 | 从转录组预测电生理特征 |
核心结果
1. MEA-seqX 平台实现多模态数据整合
- 4096 电极覆盖：同时记录海马-皮层（HC）切片全网络 LFP 活动
- 空间转录组：5000 spots 保留组织空间结构
- 精确对齐：自动缩放算法实现电极-spot 解剖对齐
- 多尺度分析：从单细胞到网络尺度的整合分析
图1 | MEA-seqX 平台概览：跨尺度整合脑动态
2. 空间转录组与网络电生理关联
- ENR 增强关联：DG 和 CA3 区域基因表达与 LFP 活动相关性显著增加
- DG: 2.2 倍增加
- CA3: 2.5 倍增加
- CA1: 0.6 倍增加
- 关键基因：Bdnf, Egr1, Homer1, Npas4, Gria2, Camk2a 等 IEGs 和突触可塑性基因上调
- NMF 分解：识别出 12 个空间基因表达子网络
图2 | 空间基因表达模式与网络电生理特征整合
3. 协调的拓扑网络组织
- 图论分析：转录组和功能网络均显示 ENR 下更强的局部和全局连通性
- 枢纽节点：ENR 中双模枢纽节点和富俱乐部组织显著增加
- 小世界拓扑：转录组和功能网络均遵循幂律分布，ENR 尾部更重（更多密集连接枢纽）
- 模块化：ENR 网络表现出更高的模块化和层级组织
图3 | 空间测序连接组的多尺度网络拓扑分析
4. 海马动态多尺度分析
- LFP 活动：ENR 下 DG-CA3-CA1 网络的 LFP 速率、能量和事件延迟显著改变
- 伪时间动态：从转录组数据推断基因表达伪时间轨迹
- 中心活动轨迹：LFP 活动中心在 ENR 下显示更复杂的动态模式
图4 | 海马动态多尺度分析
5. 细胞类型指纹与 ML 预测
- 细胞类型推断：从空间转录组数据推断神经元、星形胶质细胞、少突胶质细胞等类型
- 放电特征关联：不同细胞类型显示独特的放电模式指纹
- ML 预测：随机森林等算法可从转录组特征高精度预测 LFP 活动特征
图5 | 空间细胞类型及其放电模式指纹分析
图6 | 多尺度转录-功能特征的机器学习预测
对高密度 MEA 研究的意义
MEA-seqX vs 传统方法
| 特性 | Patch-seq | Electro-seq | CaRMA | MEA-seqX |
|---|---|---|---|---|
| 通量 | 单细胞 | 培养物 | 小区域 | 全网络（4096 电极） |
| 组织类型 | 单细胞 | 培养物 | 小脑区 | 急性脑切片 |
| 时间分辨率 | 高 | 高 | 低（钙成像） | 高（LFP + Spike） |
| 空间分辨率 | 单细胞 | 培养物 | 有限 | 高（SRT 5000 spots） |
| 多模态整合 | 电+转录 | 电+转录 | 钙+RNA | 电+转录+成像 |
对 Celvivo/3Brain 产品的启示
- 多模态整合是趋势：HD-MEA 与空间组学、成像的整合是未来方向
- 网络尺度分析：从单细胞向网络尺度的转录-功能关联是前沿
- 机器学习应用：ML 预测电生理特征为生物标志物开发提供新途径
- 疾病模型：该平台可用于神经退行性疾病、精神疾病的机制研究
论文信息
| 项目 | 内容 |
|---|---|
| 标题 | MEA-seqX: High-Resolution Profiling of Large-Scale Electrophysiological and Transcriptional Network Dynamics |
| 期刊 | Advanced Science |
| 发表日期 | 2025年 |
| DOI | 10.1002/advs.202412373 |
| 第一作者 | Brett Addison Emery, Xin Hu |
| 通讯作者 | Hayder Amin（德国 DZNE） |
| 合作机构 | 德国 DZNE · Karolinska 研究所 · KTH 皇家理工学院 · TU Dresden |
| 关键技术 | CMOS-MEA (4096 电极)、空间转录组学、NMF、图论分析、机器学习 |
联系人｜李东伟
📞 18045130660