微型大脑揭示精神分裂症和双相情感障碍的神经特征

摘要：实验室培育的微型大脑首次揭示了精神分裂症和双相情感障碍中神经元是如何异常放电的。研究人员利用机器学习分析电活动，识别出不同的放电模式作为生物标志物，以超过90%的准确率区分患者来源的类器官与健康类器官。微妙的电刺激提高了检测能力，揭示了每种病症复杂的神经特征。这一突破可为精神科护理减少试错过程，提供新的诊断工具和药物测试平台。

关键事实

• 独特生物标志物：类器官显示出精神分裂症和双相情感障碍独特的神经放电特征。
• 高准确率：刺激后机器学习对类器官分类准确率高达92%。
• 临床前景：研究结果或带来更好的诊断和个性化药物测试。

来源：约翰·霍普金斯大学

实验室培育的豌豆大小的大脑首次揭示了因精神分裂症和双相情感障碍导致神经元异常放电的独特方式，这两种精神疾病影响全球数百万人，但因缺乏对其分子基础的了解而难以诊断。

这些发现最终可能帮助医生减少在治疗这些及其他精神健康障碍时的人为误差，目前这些疾病只能通过临床判断诊断，采用试错用药方法治疗。

新发现的模式涉及精神分裂症和双相情感障碍患者独特的复杂电生理行为，不同参数下不同间隔的神经放电尖峰和变化同时发生，为这两种精神疾病创造了独特特征。

相关见解详情今日发表于《应用物理快报 - 生物工程》。

约翰·霍普金斯大学的生物医学工程师安妮·卡图里亚（Annie Kathuria）领导了这项研究，她说：“精神分裂症和双相情感障碍很难诊断，因为大脑没有特定部位出现异常。不像帕金森病那样有特定酶出现异常，在帕金森病中医生可以根据多巴胺水平进行诊断和治疗，尽管该病仍无根治方法。”

“我们希望未来不仅能通过脑类器官确认患者是否患有精神分裂症或双相情感障碍，还能在类器官上测试药物，找出何种药物浓度可能帮助他们恢复健康状态。”

卡图里亚的团队通过将精神分裂症、双相情感障碍和健康患者的血液及皮肤细胞转化为能产生各种类器官样组织的干细胞，构建了类器官（真实器官的简化版本）。

他们使用新的机器学习算法对微型大脑细胞的电活动进行分类，识别出与健康和不健康状态相关的神经放电模式。在真实大脑中，神经元通过发射微小电脉冲相互通信。

类器官类似大脑活动的独特特征成为精神分裂症和双相情感障碍的生物标志物，帮助团队以83%的准确率识别出哪些类器官来自患有这些疾病的患者。

在类脑组织受到微妙电击以揭示更多大脑活动通常所需的神经电脉冲后，这一数字提高到了92%。

新发现的模式涉及精神分裂症和双相情感障碍患者独特的复杂电生理行为，不同参数下不同间隔的神经放电尖峰和变化同时发生，为这两种精神疾病创造了独特特征。

卡图里亚说：“至少在分子层面，我们可以检查在培养皿中制造这些大脑时出了什么问题，并根据这些电生理特征区分健康人、精神分裂症患者或双相情感障碍患者的类器官。”

“我们追踪神经元在发育过程中产生的电信号，并与没有这些精神健康障碍患者的类器官进行比较。”

为研究类器官的细胞如何相互形成神经网络，他们将其放置在装有类似电网的多电极阵列的微芯片上。这种设置帮助他们简化数据，就好像数据来自微小的脑电图（EEG），医生用它来测量患者的大脑活动。

类器官直径约3毫米，发育完全后包含大脑前额叶皮质中发现的各种神经细胞类型，前额叶皮质以其较高的认知功能而闻名。

它们还含有髓磷脂，这种细胞物质像电线的绝缘层一样包裹在神经周围，以改善大脑与身体其他部位通信所需信号的网络连接。

卡图里亚说，这项研究仅涉及12名患者，但研究结果可能具有实际临床应用价值，因为它们可能成为精神科药物治疗重要试验平台的开端。

该团队目前正与约翰·霍普金斯医学院的神经外科医生、精神科医生和其他神经科学家合作，收集精神科患者的血液样本，测试不同药物浓度可能如何影响他们的研究结果。

卡图里亚说，即使样本量小，如果能使类器官状态正常化，团队也可以开始建议可能对患者有效的药物浓度。

“大多数医生就是这样给患者用药的，采用试错方法，可能需要六七个月才能找到合适的药物，”卡图里亚说。

“氯氮平是治疗精神分裂症最常用的药物，但约40%的患者对其有抗药性。有了我们的类器官，也许就不用经历那个试错阶段了。也许我们能更快给他们合适的药物。 ”

作者：汉娜·罗宾斯（Hannah Robbins）

来源：约翰·霍普金斯大学

联系方式：汉娜·罗宾斯 - 约翰·霍普金斯大学

图片：图片来源为神经科学新闻（Neuroscience News）

机器学习辅助检测精神分裂症和双相情感障碍诱导多能干细胞模型中的电生理特征

在本研究中，我们展示了一种计算分析流程，旨在从患者来源的脑类器官（COs）和二维皮质中间神经元培养物（2DNs）的多电极阵列（MEA）记录中识别疾病特异性电生理特征。

在COs中，分类准确率从基线时的83.3%提高到PES后的91.6%，能够可靠区分对照、精神分裂症（SCZ）和双相情感障碍（BPD）队列。关键判别特征包括网络活动的通道特异性测量，PES显著提高了分类性能，特别是对于BPD。