编辑推荐：
在神经科学研究中，为探究神经活性物质对神经元网络的影响，研究人员运用机器学习和复杂网络分析，对神经元微电极生物传感器数据展开研究。结果显示，该方法能有效检测药物效应，其在神经药理学和药物研发中意义重大。
在神经科学领域，大脑就像一个神秘而复杂的宇宙，神经元之间的活动和它们对各种物质的反应充满了未知。传统研究方法在探索神经活性物质对神经元网络影响时，常受到诸多限制。比如传统的统计方法，需要对数据分布、独立性和多重共线性等做出假设，可复杂的生物数据集往往不满足这些假设，就像给探索之路设置了重重障碍，使得研究难以深入。因此，寻找一种更强大、更精准的研究方法迫在眉睫。
德国阿沙芬堡应用科学大学（BioMEMS Lab, Aschaffenburg University of Applied Sciences）等机构的研究人员勇挑重担，开展了一项极具创新性的研究。他们利用机器学习和复杂网络分析，对神经元微电极生物传感器数据进行深入剖析。最终，研究取得了丰硕成果，不仅成功建立了一套可靠的分析流程，还发现了药物对神经元网络影响的关键特征，这一成果发表在《Scientific Reports》上，为神经科学研究开辟了新的道路。
研究人员主要运用了以下几种关键技术方法：首先，利用微电极阵列（MEA）记录神经元网络的电生理活动，获取原始数据；然后，对数据进行预处理，包括去除噪声电极和人工伪迹、检测尖峰信号等；接着，通过构建连接矩阵计算同步性和复杂网络测量指标来提取特征；最后，运用多种机器学习模型（如 SVM、KNN 等）进行分类，并使用 SHapley Additive Explanations（SHAP）值和线性混合模型（LMM）评估特征重要性和统计差异。
下面来看具体的研究结果：
- 窗口大小、重叠和相关度量的选择：研究发现，较大的窗口大小和重叠通常能提升大多数模型的性能，因为大窗口可捕捉神经放电率的广泛振荡行为，反映更广泛的时间动态和神经模式。1ms 的最小箱大小对多数模型性能有增强作用，而 Pearson 和 Spearman 相关性度量在捕捉有意义的神经动力学方面比窗口大小和重叠的影响稍弱。综合考虑，选择 240s 的窗口大小、75% 的窗口重叠、1ms 的箱大小和 Pearson 相关方法进行后续分析。
- SHAP 值一致性：计算所有机器学习模型的 SHAP 值评估特征重要性，发现不同模型间特征重要性排名存在差异。同步性指标 Spike-Contrast 在多个高性能模型中都是关键特征，复杂性指标在部分模型中也排名靠前。同时，通过计算 Pearson 相关矩阵评估特征间的多重共线性，发现虽有部分特征相关性高，但采用的机器学习模型对冗余特征有较好的鲁棒性。
- 网络特征的推断统计评估：使用 LMM 对测试样本中的所有特征进行推断统计检验，验证基于 SHAP 的特征排名。结果显示，Spike-Contrast、SMD、ED、复杂性、ASC 和传递性等特征具有较高的统计显著性，且与高性能模型的高 SHAP 值一致。不过，特征重要性和统计显著性之间也存在一些不一致的情况。
在研究结论和讨论部分，此次研究成果意义非凡。从方法学角度，建立的机器学习工作流程可系统测试预处理参数、缩放策略和特征提取方法，在配对样本设计中表现出色，模型分类性能高，AUC 值可达 90%，SHAP 分析为理解药物如何改变网络属性提供了可解释的见解。生物学意义上，研究结果再次证实了癫痫状态下皮质网络整合和分离减少的现象，凸显了 bicuculline 对神经网络动态的破坏作用，为研究其他神经活性物质提供了重要参考。但研究也存在一些局限性，如数据集相对较小，可能影响研究结果的普遍性；实验使用了较高剂量的 bicuculline，未来需研究更微妙的药物效应；在解释复杂网络测量时，所用的连接估计方法有待改进。未来研究将扩展该方法，探究更多具有微妙或复杂效应的化合物对神经元连接和动态的影响，进一步完善对神经网络的理解，有望为药物发现、神经药理学和辐射生物学等领域带来新的突破。
