02:00 
Многоэлектродные матрицы (MEA) обеспечивают неинвазивный интерфейс с субмиллисекундным временным разрешением и долговременной записью в нескольких местах, что позволяет проводить механистические исследования развития мозга человека in vitro и дисфункций, связанных с заболеваниями; тем не менее, традиционные конвейеры MEA в значительной степени полагаются на статистику срабатывания/пакетов или функции уровня канала/формы сигнала, которых может быть недостаточно для систематической характеристики и интерпретации организации сетевого уровня и ее тонких патологических отклонений. Соответственно, представление многоканальной пиковой активности в виде изменяющихся во времени графиков и использование графовых нейронных архитектур для извлечения количественных топологических дескрипторов предлагает принципиальный путь для фиксации мгновенных изменений связности и ранних электрофизиологических фенотипов в масштабе сети. В контексте риска расстройства аутистического спектра (РАС) вальпроевая кислота (VPA) служит прототипом нарушения окружающей среды, причем предыдущие данные связывают воздействие VPA с измененной экспрессией путей нейроразвития и синаптической передачи и перекрытием с генами риска РАС, наряду с функциональными нарушениями в органоидах переднего мозга, имеющими отношение к синаптической/сетевой эффективности. «Поэтому мы представляем структуру глубокого обучения, основанную на сети отклонений графиков (GDN), которая кодирует амплитудно-модулированные последовательности спайков в динамические графики для моделирования отклонений в сетевой организации и прогнозирования связанных с риском РАС и VPA-индуцированных изменений сетевого уровня из органоидов переднего мозга человека, связанных с MEA». - сказала автор Арианна Менкаттини, исследователь из Римского университета Тор Вергата.
В этом исследовании использовались органоиды переднего мозга человека (hFO), подвергшиеся воздействию вальпроевой кислоты (VPA), в качестве модели нарушений нейроразвития in vitro для исследования синаптической дисфункции, связанной с РАС, с использованием 24-луночной платформы Axion Biosystems MEA с 16 электродами на лунку для параллельных записей: семь органоиды доноров-мужчин культивировали по одному на лунку, при этом VPA наносили в концентрации 1 мМ на три лунки через 7 дней после посева, в то время как четыре лунки оставались необработанными контрольными; Сеансы MEA регистрировались через 0 часов (до лечения), через 30 минут, 24 часа и 48 часов после воздействия при частоте 12,5 кГц в течение 5 минут за сеанс, используя первые 2,5 минуты для обучения GDN и оставшиеся 2,5 минуты для тестирования. Чтобы обеспечить адекватный контакт электродов, были созданы hFO, не встроенные в Matrigel, 42-дневные органоиды были высеяны в лунки MEA и культивировались в течение 7 дней перед обработкой VPA, а анализ был сосредоточен на лунках A1-A3 (U1M+VPA) и B1-B4 (контроли U1M). Для формирования сигнала и построения графиков необработанные кривые подвергались полосовому фильтрованию (200–3000 Гц, ноль-фаза Баттерворта), пики обнаруживались с помощью схемы оценки шума окна 50 мс с порогом th_spike = 4,5 ? опорное значение, и каждый обнаруженный пик запускал амплитудную модуляцию окна Кайзера (коэффициент формы 10, ~ 20 мс), применяемую синхронно между электродами; центрированный сегмент длительностью 18 мс сохранялся как AM-спайк, а AM-спайки были объединены в хронологическом порядке по каналам, чтобы сформировать многовариантную последовательность AM-спайков. Затем эту последовательность сегментировали с перекрывающимся окном длительностью 4,5 мс (Т=56 выборок) с продвижением на одну выборку; каждое окно передавалось в GDN для прогнозирования следующей выборки и извлечения соответствующего ориентированного графа, что давало 169 экземпляров графа на каждый 225-точечный AM-всплеск (при этом первые 56 точек были исключены из-за инициализации прогнозирования). Во время разработки модели первая половина временного ряда использовалась для обучения, а вторая половина — для проверки, а для каждой скважины и сеанса сбора данных обучалась отдельная GDN для получения структур и характеристик графиков. На каждом графике было рассчитано 19 топологических дескрипторов для построения матриц признаков, дескрипторы были нормализованы к среднему значению сеанса за 0 часов для смягчения межскважинной неоднородности, а двухэтапный отбор на основе DS сохранил глобально дискриминационные временные точки (>95-й процентиль), за которыми следовали признаки с DS>0,75; Полученный набор функций был классифицирован с помощью LDA с перекрестной проверкой «оставить один колодец» (LOWO) для каждого сеанса для количественной оценки отклонений соединения с разрешением по времени, вызванных VPA.
Результаты показывают, что прогнозирование GDN не демонстрирует заметного временного сдвига между сеансами, однако условие VPA показывает общее снижение эффективности прогнозирования по сравнению с CTRL, без заметной тенденции, зависящей от сеанса, что предполагает снижение предсказуемости сетевой активности при воздействии VPA. Анализ дискриминационного балла (DS) также показывает, что некоторые топологические дескрипторы (например, длина пути) остаются высокоинформативными в течение 30 минут, 24 часов и 48 часов, тогда как другие (например, диаметр) вносят свой вклад в зависимости от сеанса, поддерживая центральную роль структуры сетевого уровня в разделении классов. Визуализация PCA подтверждает эту интерпретацию, выявляя более высокую дисперсию (большую межорганоидную гетерогенность) в CTRL и сниженную вариабельность VPA, что согласуется с общим эффектом, вызванным лечением. В соответствии с протоколом LOWO классификатор, обученный в течение 30 минут, плохо обобщает результаты последующих сеансов, с ослаблением разделимости и смещением в сторону VPA через 48 часов, что мотивирует модели для конкретных сеансов; самая сильная дискриминация происходит через 24 часа, а голосование большинством на хорошем уровне обеспечивает наилучшую точность (до 100%).
