MEA-seqX：高分辨率解析大规模电生理与转录组网络动态

期刊: Advanced Science, 2025, DOI: 10.1002/advs.202412373
DOI: 10.1002/advs.202412373
PDF 原文: SeaFile 下载

作者: Brett Addison Emery, Xin Hu, ..., Joakim Lundeberg, Jonas Frisén, Gerd Kempermann, Hayder Amin
机构: 德国神经退行性疾病研究中心 (DZNE) / KTH 皇家理工学院 / 卡罗林斯卡学院 / TU Dresden

核心科学问题

大脑功能的实现依赖于神经元活动与分子事件的相互因果影响。传统的 Patch-seq 通量低，Electro-seq 局限于体外培养，而空间转录组学 (SRT) 缺乏时间分辨率。MEA-seqX 平台首次整合了高密度 CMOS-MEA (4096 通道) 与 空间转录组测序 (SRT)，在同一脑片组织中实现了对大规模神经回路电生理活动与分子转录组动态的同步、高分辨率、多尺度解析，揭示了环境富集如何协调海马网络的分子与功能连接。

技术方案

多模态数据采集与整合 (MEA-seqX)

1. 高密度电生理记录 (n-Ephys):
   • 使用 3Brain CorePlate 1W 27/42 CMOS-MEA (4096 电极，42 μm 间距，7 mm² 覆盖)。
   • 记录 12 周龄小鼠海马 - 皮层 (HC) 急性切片 (300 μm) 在标准 (SD) 与环境富集 (ENR) 条件下的局部场电位 (LFP) 和 Spike 活动。
2. 空间转录组 (SRT):
   • 在同一组织上进行 Visium Spatial Gene Expression (10X Genomics)，5000 个空间位点 (55 μm 直径)。
3. 多尺度空间对齐:
   • 利用光学图像和解剖标志点 (如 DG 脊) 将电极阵列 (42 μm) 与 SRT 位点 (55 μm) 进行分数匹配和对齐。

高级计算分析

• NMF (非负矩阵分解): 识别转录 - 功能子网络。
• 图论分析: 构建转录组和功能网络图，识别 Hub 节点和 Rich-club 组织。
• 时空动态: Diffusion Pseudotime (DPT) 分析转录轨迹，Center of Activity Trajectories (CAT) 分析神经活动传播。
• 细胞类型去卷积 (CARD): 结合单细胞参考图谱，从 SRT 推断细胞类型组成，并关联其放电指纹。
• 机器学习预测 (XGBoost): 利用空间基因表达预测网络电生理特征 (LFP rate, amplitude)。

实验数据

1. 平台概览与多模态整合

图 1：(a-b) 平台结合 CMOS-MEA、光学成像和空间转录组 | (c) 4096 电极高精度捕获 LFP 模式 | (d) SRT 5000 位点映射基因表达 | (e) Python 管线实现多尺度对齐与动态分析 | (f) 电极与 SRT 位点的空间匹配 | (g) 图论、伪时间、CAT 轨迹及 XGBoost 预测

• 同步记录: 同一组织切片先进行 10 分钟电生理记录，随后立即进行 SRT 测序，确保分子与功能的时空一致性。
• 跨尺度对齐: 成功将微观电极活动与宏观基因表达模式在空间上对应。

2. 空间转录组与网络功能的关联

图 2：(a) ENR 条件下 DG 和 CA3 区域基因表达与功能耦合显著增强 | (b) LFP 率相关基因在 DG 增加 2.2 倍，CA3 增加 2.5 倍 | (c-g) NMF 分解识别出 12 个空间转录 - 功能子网络，IEGs (如 Bdnf, Egr1) 起关键作用

• ENR 增强转录 - 功能耦合: 环境富集显著增加了 DG 和 CA3 区域中与电生理活动相关的基因表达。
• NMF 分析: 识别出 12 个因子，揭示了基因表达模式与电生理特征 (LFP rate) 的空间分布关联。
• 关键基因: Bdnf, Egr1, Homer1, Npas4 等即刻早期基因 (IEGs) 在 ENR 中显著上调并与高频放电强相关。

3. 网络拓扑结构与 Hub 节点

图 3：(a) 图论指标 (Hub 节点，Rich-club) | (b-c) ENR 网络在转录组 (SRT) 和功能 (n-Ephys) 上均显示出更密集的 Hub 连接和 Rich-club 组织 | (f) 幂律分布显示 ENR 网络具有更重尾部的无标度特性

• Hub 节点增加: ENR 网络中，转录组和功能网络的 Hub 节点比例均显著增加。
• Rich-club 组织: ENR 网络显示出更强的核心互连性，表明网络具有更高的全局通信能力和鲁棒性。
• 小世界拓扑: 转录组 - 功能网络均呈现无标度、小世界特性，ENR 增强了这种拓扑结构。

4. 时空动态：DPT 与 CAT 的同步

图 4：(a-b) IEGs 的 DPT 分析显示 ENR 中伪时间进程加快 | (c-d) CAT 轨迹显示 ENR 中电活动传播更快 | (e) ENR 中所有海马区域的 DPT 均显著快于 SD

• DPT (转录): ENR 脑片中 IEGs 表达的伪时间进程比 SD 更快，表明分子响应更迅速。
• CAT (功能): 神经活动的时空传播在 ENR 中更快速、更短促。
• 同步加速: 分子和功能的时空动态在 ENR 中呈现出“同步加速”，揭示了经验依赖可塑性的跨尺度协调机制。

5. 细胞类型识别与电生理指纹

图 5：(a) CARD 去卷积识别 76 种细胞类型及其空间分布 | (b-c) DG 颗粒细胞 (Cck/Penk) 和 CA3 锥体细胞 (Nos1/Inhba) 的空间定位 | (d-e) ENR 中这些标记基因表达更高，对应区域 LFP 率和振幅更强

• CARD 去卷积: 成功识别 DG 颗粒细胞 (Cck+, Penk+) 和 CA3 锥体细胞 (Nos1+, Inhba+) 的空间分布。
• 功能关联: 在 ENR 中，这些细胞类型的标记基因表达增强，且对应的 DG 和 CA3 区域表现出更强的 LFP 率和振幅，建立了细胞类型特异性与网络活动的直接联系。

6. XGBoost 跨模态预测

图 6：(a) XGBoost 利用基因表达预测 LFP rate, amplitude 和 event delay | (b) ENR 数据集的预测准确率 (~93%) 显著高于 SD (~70%)

• 跨模态预测: 仅利用空间基因表达数据，XGBoost 就能高精度预测网络的电生理特征。
• 机制揭示: 这种预测能力表明基因表达与网络功能之间存在深层的因果联系，特定基因家族 (如离子通道、突触可塑性基因) 是预测网络活动的关键特征。

创新点

1. 首个结合 CMOS-MEA 与 SRT 的多模态平台 (MEA-seqX) — 突破了单一模态在时空分辨率上的局限，实现了同一组织的分子 - 功能同步解析。
2. 3Brain 4096 电极的核心作用 — 只有高密度电极阵列才能提供足够的空间分辨率来与 SRT 位点进行有效的空间对齐和图论分析。
3. 揭示环境富集的跨尺度机制 — 发现 ENR 不仅增强突触功能，还重塑了转录 - 功能网络的拓扑结构 (Hub/Rich-club)。
4. XGBoost 跨模态预测 — 首次证明可以从空间基因表达高精度预测网络电生理特征。
5. 细胞类型 - 功能指纹关联 — 结合 CARD 和 HD-MEA 揭示了特定细胞类型的空间分布与其电生理贡献的对应关系。

局限性

1. 离体脑片模型 — 缺乏体内长程连接和行为学背景。
2. 空间分辨率限制 — Visium SRT (55 μm) 与 MEA (42 μm) 之间存在分辨率差异，需依赖分数匹配。
3. 时间动态 — 仅记录了 10 分钟的电活动，SRT 仅为单一时间点的快照。

学术启示

本研究直接关联 3Brain HD-MEA 产品线的核心应用价值：

• 3Brain CorePlate (4096 通道) 是实现 MEA-seqX 的关键硬件 — 其高密度和广覆盖范围使得与 SRT 数据的空间对齐和拓扑分析成为可能。
• 多模态神经科学: 为研究基因表达如何塑造网络级神经活动提供了全新范式。
• 疾病模型: 可用于解析神经退行性疾病 (AD, PD) 或癫痫中分子与功能的失调机制。
• 药物开发: 结合转录组和功能读数，全面评估药物对分子通路和网络活动的综合影响。
• 可扩展性: 平台可适配 Neuropixels 或 SiNAPS 等体内探针，未来有望在活体水平验证分子 - 功能关系。

产品线关联: 🟢 3Brain CorePlate (4096 通道) — 核心电生理记录平台

💡 德国 DZNE 与 KTH 团队开发 MEA-seqX 平台，首次将 3Brain 4096 通道 HD-MEA 与空间转录组学结合，实现同一脑片分子与功能的同步解析。研究发现环境富集显著增强了海马 DG 和 CA3 区域的转录 - 功能耦合，重塑了网络的 Hub 和 Rich-club 结构。利用 XGBoost，仅凭空间基因表达即可高精度预测网络电生理特征 (93% 准确率)。该平台为解析复杂脑疾病的分子 - 功能机制提供了革命性工具。

联系人｜李东伟
📞 18045130660
🌐 主页：https://www.biokingdom.top