《Advanced Science》：Data-Driven Feedback Identifies Focused Ultrasound Exposure Regimens for Improved Nanotheranostic Targeting of the Brain
编辑推荐：
本文报道了一种基于机器学习（ML）的闭环（CL）控制策略，通过分析微泡（MB）声学发射（AE）信号，成功预测并预防惯性空化（宽带发射事件），从而将血脑屏障（BBB）开放的治疗窗口扩展了约300%。该数据驱动的ML辅助闭环（ML-CL）控制器能在最大化BBB渗透性（通过Ktrans值评估）的同时，显著提高大尺寸纳米颗粒（如46 nm和120 nm PEG化聚苯乙烯NPs）在健康及脑胶质瘤（如GL-261和F98模型）动物（从小鼠放大到大鼠）脑部的递送效率，并增强肿瘤相关生物标志物（如高斯荧光素酶GLuc蛋白和循环肿瘤DNA ctDNA）向血液循环的释放，为安全、高效的脑部纳米诊疗（Nanotheranostics）和液体活检（Liquid Biopsy）提供了新一代人工智能（AI）驱动的超声技术平台。
摘要
本研究开发并评估了一种数据驱动的闭环超声纳米诊疗平台，用于经颅干预。该方法通过整合机器学习（ML）来显著改善治疗窗口，克服了纳米颗粒递送和脑部循环肿瘤DNA（ctDNA）检测中的限速障碍。
1 引言
血脑屏障（BBB）严重阻碍了纳米药物向脑部的有效递送以及脑部疾病相关循环DNA的可靠检测。微泡增强聚焦超声（MB-FUS）可瞬时增加BBB通透性。然而，平衡BBB开放效能与安全性极具挑战性，当前的控制方法（如开环OL和闭环CL控制器）反应迟缓，治疗窗口狭窄（约50 kPa）。机器学习（ML）等数据驱动方法能识别复杂数据集中的非线性关系，但其在治疗性超声，特别是微泡（MB）动力学控制中的应用仍有限。
2 结果
2.1 多层感知器实现高灵敏度预测宽带发射
研究人员利用来自114只小鼠、415个不同脑靶点的54,040个声学发射（AE）数据集，训练了一个监督分类ML模型——多层感知器（MLP）。该MLP模型包含一个具有10个神经元的隐藏层。在测试数据集上，该模型预测宽带发射事件（定义为高于基线噪声6 dB）的总体准确度为93%，灵敏度（召回率）为94%，精确度为52%，特异性为99%。高灵敏度表明该模型能有效检测真实的宽带发射事件，其相对较低的精确度反映了模型偏向保守性，优先避免漏报，这在临床转化中是可取的特性。
2.2 机器学习辅助闭环控制器（ML-CL）的设计与解读
将训练好的MLP模型整合到已有的闭环（CL）控制器中，形成ML辅助闭环（ML-CL）控制器。MLP作为一个额外的安全层（咨询回路），在预测到宽带事件时覆盖控制器的决策，而不干扰其正常操作。这种设计具有灵活性，可与各种控制算法兼容。通过沙普利加和解释（SHAP）分析模型发现，影响预测的关键特征包括：被动空化探测器（PCD）在3.5 MHz（如第6、7次超谐波和第7次谐波）的峰值灵敏度、MB动力学强度（如第1次超谐波）、MB数量（MB动力学）和峰值负压。有趣的是，分析还提示肿瘤的存在会增加宽带发射的可能性，且声压的影响并非单调的。
2.3 ML-CL在BBB开放中的安全性和有效性评估
在健康小鼠中评估ML-CL控制器。选择第7次谐波发射目标水平为36 dB（高于空化阈值曲线范围）。与开环（OL, 使用ML-CL的平均压力PAvg和最大压力PMax）和闭环（CL）控制器相比，ML-CL在达到可比较的BBB通透性（通过DCE-MRI测量的Ktrans值）和声发射（AE）水平的同时，显著降低了宽带发射事件的发生率：OL-PAvg为1.05%，OL-PMax为4.39%，CL为1.34%，而ML-CL仅为<0.1%。ML-CL将声学治疗窗口从反应性控制器（OL/CL）的0.02 MPa扩展至0.09 MPa，扩大了约4倍。组织学分析（H&E染色）显示，OL和CL控制器组在有宽带发射事件的靶点出现出血（点状出血），而ML-CL组仅在一个检测到宽带事件的靶点出现出血。免疫荧光染色（GFAP, Iba1）进一步证实，ML-CL在6小时后未引起显著的星形胶质细胞增生（GFAP表达增加），而OL-PAvg组则显示出早期星形胶质细胞增生的迹象。
2.4 ML-CL增强PEG化聚苯乙烯纳米颗粒的安全高效递送
在健康小鼠中，使用ML-CL（32 dB和36 dB目标水平）评估不同尺寸（37 nm, 46 nm, 120 nm）的PEG化聚苯乙烯纳米颗粒（NPs）的脑部递送。结果表明，36 dB目标水平的ML-CL声波显著增强了所有尺寸NPs的递送（与未声波处理区域相比，37 nm, 46 nm, 120 nm NPs分别提高了2.8倍、2.1倍和2.1倍）。考虑到NPs的体外荧光差异进行标准化后，发现46 nm NPs的递送效率最高，这与先前关于MB-FUS后40-50 nm NPs递送最优的理论预测一致。ML-CL在36 dB操作时仅记录到一次宽带发射事件，再次证明了其安全性。
2.5 ML-CL增强脑癌可溶性生物标志物向循环系统的释放
在携带GL-261-GLuc胶质瘤的小鼠模型中，评估ML-CL对生物标志物释放的影响。仅当ML-CL在36 dB目标水平下操作时，血液中的GLuc蛋白浓度在声波处理后立即显著增加了3.3倍。然而，由于ctDNA（GLuc基因）片段较大（~60 kDa）、拷贝数低、血液采集量有限以及检测灵敏度等问题，在小鼠模型中未能一致地检测到GLuc基因水平的显著变化。
2.6 ML-CL改善大鼠胶质瘤中纳米颗粒的递送
为了评估ML-CL的鲁棒性和可扩展性，研究在大鼠F98胶质瘤模型中进行。与开环控制器（OL-PAvg）相比，ML-CL（33.5 dB目标水平）产生了更高、更一致（标准差更小）且呈左偏态分布的第7次谐波发射水平，表明其能有效控制和维持 elevated 的MB动力学。尽管两种控制器都保持了低概率的宽带发射事件（ML-CL: 0.24%, OL-PAvg: 0.76%），但ML-CL显著增强了46 nm NPs在肿瘤内的递送，与对照组（无FUS）和OL-PAvg组相比，分别提高了7.2倍和2.6倍。值得注意的是，尽管Ktrans值显示OL-PAvg和ML-CL均增加了BBB通透性，但实际的NPs递送仅在ML-CL组有显著改善，提示AE水平可能比基于小分子造影剂（钆）的Ktrans更能预测大分子（如NPs）的递送效率。
2.7 ML-CL增强大鼠胶质瘤中ctDNA向循环系统的释放
在免疫活性F98-GLuc胶质瘤大鼠模型中，利用更大的血液样本量和巢式PCR预扩增技术提高检测灵敏度。结果显示，只有ML-CL组（33.5 dB）在声波处理后，血液中的GLuc蛋白和ctDNA（GLuc基因）水平均出现显著提升（分别增加1.5倍和2.1倍）。这凸显了最大化AE水平（通过ML-CL实现）对于改善较大生物标志物（如ctDNA）释放的重要性，同时也证实了增加血液采集量对于有效ctDNA检测的关键作用。
3 讨论与结论
本研究开发的数据驱动ML-CL超声平台，通过预测性地控制MB动力学，显著扩展了MB-FUS介导的BBB开放的治疗窗口。该平台在从小鼠到大鼠、从健康脑到患病脑的模型中均表现出良好的安全性和有效性，成功提升了大型纳米颗粒的脑部递送效率和肿瘤生物标志物（包括ctDNA）的检测灵敏度。ML模型的可解释性分析（如SHAP）为研究体内MB动力学提供了新的数据驱动视角。该框架具有灵活性，可通过临床数据集进行重新训练以适应人类生理和颅骨特性，支持个性化声波策略。尽管面临人类颅骨更厚、MB信号衰减等临床转化挑战，但ML-CL所展示的强健性能、安全性和可扩展性，为其在未来脑部疾病诊断、治疗和监测的AI驱动超声系统中的应用奠定了坚实基础，有望推动该技术的广泛传播和有效临床转化。
