机器学习分类成年小鼠运动单位类型:关联运动神经元电生理特性与肌肉收缩表型

《Journal of Physiology》:Machine-learning classification of motor unit types in the adult mouse

【字体: 大 中 小 】 时间:2026年04月11日 来源:Journal of Physiology 4.4

编辑推荐:

  本文探讨了在小鼠中如何客观、定量地定义运动单位类型这一难题。传统分类依赖主观阈值,本研究则结合体内细胞内记录与机器学习方法,揭示运动神经元电生理特性可预测其运动单位类型。无监督聚类识别出慢速(S)、快速抗疲劳(FR)、中间型(FI)和快速易疲劳(FF)四类,多元逻辑回归模型预测性能良好。该研究为理解神经肌肉生理与疾病提供了定量框架。

  
在哺乳动物的运动控制中,运动单位(一个运动神经元及其所支配的所有肌纤维)是基本的功能单元。它们的多样性——从维持姿势的缓慢、持久收缩到产生爆发性力量的快速、易疲劳收缩——构成了我们能够执行精细和强力动作的基础。传统上,根据收缩速度、力量产生和疲劳行为等特性,脊椎动物的运动单位被划分为至少三种经典类型:慢速(S)、快速抗疲劳(FR)和快速易疲劳(FF)。后来,研究中还识别出了第四种“快速中间型”(FI),其特点是快速收缩但具有介于FR和FF之间的中等疲劳抗性。在神经一侧,运动神经元的电生理特性(如输入电阻、后超极化持续时间、轴突传导速度等)与运动单位的收缩特性系统性地相关,这构成了亨内曼大小原则等基本概念的基础。
然而,尽管小鼠已成为研究人类疾病的关键模型,其运动单位的特性,特别是与更大动物(如猫、大鼠)相比的定量关系,尚未得到充分定义。在小鼠中,传统的分类方案常常依赖于主观设定的阈值,尽管运动单位的特性实际上是一个连续体,并显示出相当大的重叠。这阻碍了我们对小鼠神经肌肉系统的精确理解,也限制了利用小鼠模型研究神经肌肉疾病的潜力。现代计算方法的出现,为以客观、可重复的方式整合高维度的收缩和电生理数据集提供了机会,但此类方法尚未系统性地应用于小鼠运动单位。
为了填补这一空白,María de Lourdes Martínez-Silva 及其同事在《Journal of Physiology》上发表了一项研究,旨在结合体内细胞内记录与监督和非监督机器学习方法,测试是否能够通过运动神经元的电生理学特性来预测小鼠运动单位的生理学身份。他们的目标是提供对小鼠运动单位特性的定量描述,并建立一个将运动单位多样性纳入未来神经肌肉生理和疾病研究的框架。
研究人员在成年B6SJL小鼠的三头肌中进行了体内细胞内记录,测量了单个运动单位的收缩特性和其运动神经元的电生理特性。关键技术方法包括:1)体内细胞内记录技术,通过玻璃微电极记录运动神经元的电活动,并同步记录肌肉的收缩力;2)全面的电生理和收缩特性测量,包括输入电阻、基强度、后超极化持续时间、最大放电频率、单收缩幅度与时间、强直收缩、力-频率关系及疲劳测试等;3)无监督机器学习,对40个收缩变量进行主成分分析和K均值聚类,以客观定义运动单位类型;4)监督机器学习,使用多元逻辑回归等模型,基于运动神经元的电生理特性预测其运动单位类型。
运动单位分类
研究人员记录了124个小鼠三头肌运动单位,并测量了40个收缩变量。通过主成分分析降维后,使用K均值聚类算法将78个记录完整的运动单位分为四组。这四组对应于经典的S、FR、FI和FF类型。随后,他们使用k-最近邻分类器将其余部分表征的运动单位归类到这四组中。结果显示,S型单位收缩慢、力量小、抗疲劳;FF型单位收缩快、力量大、易疲劳;FR型单位力量中等、收缩较快、抗疲劳;FI型单位则具有快速收缩和中等疲劳抗性。力-频率曲线和“下降”现象的分析进一步验证了这种分类。研究还发现,性别对大多数收缩特性没有显著影响,仅在FF型单位的单收缩幅度上观察到微小差异。
已识别类型运动神经元的电生理特性
接下来,研究者检查了属于上述四类运动单位的运动神经元的电生理特性。结果显示,运动神经元的电特性与其生理类型强相关:
  • •
    被动特性:S型运动神经元具有最高的输入电阻和最低的基强度,且对阈下电流脉冲的电压反应无“下降”现象;FF型运动神经元则输入电阻最低、基强度最高,并表现出明显的“下降”现象。FI和FF型运动神经元在这些特性上无显著差异。
  • •
    动作电位后电位:S型运动神经元的后超极化半衰期(反映AHP持续时间)显著长于FR型,而FR型又长于FI和FF型。快AHP和ADP的幅度在快收缩单位中倾向于更大。
  • •
    放电特性:S型运动神经元的募集电流最低,其次是FR型,FI和FF型最高。大多数S型运动神经元在三角波电流斜坡刺激下表现出逆时针滞后现象(ΔI < 0),而FI和FF型则多表现为顺时针滞后(ΔI > 0)。放电曲线的增益在不同类型间无差异。
生理类型预测
最后,研究团队试图建立一个统计模型,仅根据运动神经元的电生理特性来预测其运动单位类型。他们选取了25个电生理特征,在98个运动神经元上训练了多种监督学习分类器。最终选定的多元逻辑回归模型在五折交叉验证中取得了良好的性能。当区分为S、FR、FI、FF四类时,模型能完美分类S型,对FR型分类良好,但难以区分FI和FF型,这与两者电生理特性高度重叠的观察一致。当将FI和FF合并为一类(FF/FI)后,模型性能显著提升,平衡准确率接近90%。特征重要性分析显示,对S型预测最重要的特征是长的AHP半衰期,而对FF/FI型预测最重要的则是高的输入电导。进一步的特征选择表明,仅使用四个电生理特性——输入电导、基强度、AHP半衰期和最大放电频率——就足以实现高性能的预测。
在讨论中,作者强调了本研究首次在成年小鼠中完整地检验了运动神经元电特性与运动单位收缩行为之间的关系。无监督聚类识别出的四组生理类型与经典类型一致,且运动神经元的电特性(基强度、输入电阻、AHP持续时间等)与收缩表型(收缩速度、疲劳抗性)之间存在系统的、渐进式的关联,这支持了平滑募集的理念,即随着募集运动神经元的尺寸增大,力量被逐渐调制。研究也指出,运动单位的特性是连续分布的,而非离散分类,但分类方案在跨研究比较和凸显群体变化(如在疾病中)时仍有其实用价值。
这项研究的结论具有多重重要意义。首先,它提供了首个关于小鼠三头肌运动单位及其运动神经元特性的完整定量描述,填补了该模型生物的关键知识空白。其次,所建立的机器学习框架使得仅凭相对容易获取的电生理记录(尤其是在无法进行收缩测量的实验环境中,如离体脊髓制备或使用肌松剂时)就能对运动单位类型进行客观、快速的分类。这对于在神经肌肉疾病(如肌萎缩侧索硬化症、脊髓性肌萎缩症)的小鼠模型中,研究特定类型运动单位的选择性脆弱性至关重要。该框架为未来在健康和疾病状态下系统研究运动单位的功能、募集和退化提供了统一的定量标准和有力工具。尽管本研究存在样本量有限、仅聚焦于单一肌肉群等局限性,但它为理解神经肌肉系统的组织原则和疾病机制奠定了重要基础,并展示了计算生物学在整合复杂生理数据方面的强大潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号