《Journal of Intelligent Medicine》:A parametric electrophysiological–transcriptomic map of MscL-G22S sonogenetic neuromodulation in the rat hippocampus: Toward precision ultrasound neuromodulation
编辑推荐:
MscL-G22S介导的声遗传学是实现深部脑结构精准、靶向细胞超声神经调控以及下一代非侵入式超声脑-机接口(BCI)的有前景策略。然而,超声基频(FF)和脉冲重复频率(PRF)如何单独及联合塑造MscL-G22S介导的海马反应尚不清楚,其分子相关性也 larg
MscL-G22S介导的声遗传学是实现深部脑结构精准、靶向细胞超声神经调控以及下一代非侵入式超声脑-机接口(BCI)的有前景策略。然而,超声基频(FF)和脉冲重复频率(PRF)如何单独及联合塑造MscL-G22S介导的海马反应尚不清楚,其分子相关性也 largely unknown。为此,研究人员在表达MscL-G22S的麻醉大鼠中,于0.5、1和5 MHz三种FF与40、1000和4000 Hz三种PRF的全因子组合下进行刺激,记录海马局部场电位(LFPs)和超声诱发电位(UEPs),随后进行转录组测序和整合生物信息学分析。FF和PRF对LFP总功率产生独立的叠加效应,其中PRF主效应显著,而FF趋势虽未达到显著性但具有大效应量。UEPs揭示了明显的FF依赖性PRF选择性:0.5 MHz刺激可在各PRF下诱导UEP,而5 MHz刺激需匹配高PRF才能产生稳健的锁相反应。探索性转录组分析鉴定出非线性的、频率特异性的基因表达程序,富集于机械转导相关通路,同时发现候选枢纽基因及经LASSO(最小绝对收缩和选择算子)优先排序的候选分子特征。这些发现定义了MscL-G22S介导的海马声遗传神经调控的紧凑型电生理-转录组参数-反应图谱,为未来模型驱动的超声参数优化提供参考数据。
非侵入式、可及深部脑的神经调控是精准医学和下一代脑-机接口(BCI)的核心使能技术。低强度聚焦超声(LIFU)是该领域的主要候选方案,可在无需手术的情况下实现毫米级空间分辨率的神经调控。然而,天然组织超声神经调控的细胞类型选择性有限,声遗传学通过将LIFU与遗传编码的机械敏感离子通道相结合,实现了对神经活动的靶向细胞调控和参数可调控制。其中,细菌机械敏感通道变体MscL-G22S已成为领先的声遗传效应器,在皮层和皮层下靶点中表现出优异的超声敏感性、快速反应动力学和良好的强度依赖性激活特性,尤其适用于相位性、刺激锁定的神经调控。
尽管MscL-G22S已被验证为有效的声遗传效应器,但将其转化为可用的精准神经调控工具,尚需建立从刺激参数到神经反应的定量映射。既往研究多采用固定刺激参数,以通道身份为主要变量,留下了关于超声刺激时程结构如何塑造MscL-G22S介导的环路反应的关键空白。基频(FF)和脉冲重复频率(PRF)是两个核心声学参数:FF决定膜变形的空间尺度和周期性,PRF控制重复脉冲的时间模式。虽有证据表明两者均可调控超声的兴奋或抑制效应,但尚未有研究系统表征它们如何单独及联合塑造MscL-G22S介导的在体电生理反应。海马作为记忆巩固的关键结构,其振荡架构明确且与阿尔茨海默病、颞叶癫痫等疾病密切相关,是开展此项参数空间研究的重要靶点。
本研究发表于《Journal of Intelligent Medicine》,旨在构建一个多模态参数-反应图谱,将FF、PRF及其组合与LFP功率、UEP以及探索性转录组程序相关联,为闭环超声BCI的模型化、数据驱动和人工智能辅助参数选择提供参考,同时识别后续验证的分子通路。
研究采用15只8周龄雄性Sprague-Dawley大鼠,随机分配至0.5、1和5 MHz三个FF组。通过脑立体定位注射AAV2/9-hSyn-MscL-G22S-Linker-mCherry-3xFLAG病毒载体于海马区,4周后进行在体记录。超声刺激系统包含两个函数发生器、射频放大器及0.5、1、5 MHz定制化浸没式换能器,经3D打印声学准直器聚焦。全因子刺激参数为FF(0.5/1/5 MHz)×PRF(40/1000/4000 Hz),固定50%占空比、0.3秒刺激时长、3秒刺激间隔,空间峰值时间平均强度(I
spta)校准为250 mW/cm
2,峰值负声压0.15 MPa,机械指数(MI)最大0.18。电生理记录在1%异氟烷麻醉下进行,采用多级伪迹剔除流程确保UEP的生理性本质。LFP经0.5-100 Hz带通滤波,功率谱密度采用Welch法估计。UEP在刺激后0-0.5秒内测量峰幅度和潜伏期。转录组分析在电生理记录后取材,采用poly(A)富集RNA测序,DESeq2鉴定差异表达基因(DEGs),并进行GO富集、PPI网络构建及LASSO回归特征优选。
FF和PRF对LFP总功率的独立叠加效应:作为参数-反应图谱的第一层,研究人员量化了FF和PRF对MscL-G22S表达大鼠海马整体活动的调控。在所有PRF条件下,LFP总功率呈现一致的FF依赖性递增趋势,5 MHz刺激产生最高功率,0.5 MHz最低。混合析因方差分析显示PRF主效应显著,FF主效应虽不显著但具有大效应量,两者交互作用不显著。Pearson相关分析进一步证实LFP总功率与PRF、FF均呈正相关。该结果表明FF和PRF对海马整体活动具有独立的叠加效应。值得注意的是,各经典海马振荡频带(delta、theta、alpha、beta、gamma)的相对功率在各参数条件下无显著差异,提示测试参数主要改变整体活动水平而非选择性调谐特定振荡频带。
FF依赖性PRF选择性塑造UEP:作为图谱的第二层,时间分辨的刺激锁定群体反应分析揭示了显著的参数依赖性激活模式。0.5 MHz刺激在各PRF下均可诱导可辨别的UEP,幅度相对稳定但4000 Hz时潜伏期显著延长。相比之下,1 MHz时1000 Hz PRF诱发最大幅度UEP。5 MHz则表现出最强的PRF敏感性,仅在4000 Hz PRF下产生稳健的生理性UEP,低PRF下的偏转与非特异性基线波动一致。这些发现表明0.5 MHz提供了跨PRF的通用激活模式,而5 MHz的局部化变形需要快速时间累积以实现同步化群体反应。
转录组分析揭示非线性频率特异性基因表达程序:作为图谱的第三层分子层面,高通量mRNA测序在各FF组间鉴定出大量差异表达基因。1 vs 0.5 MHz比较中715个DEGs,5 vs 1 MHz比较中710个DEGs,呈现双向FF依赖性表达模式。449个重叠基因(占总DEGs的46%)提示核心结构和感觉基因模块的招募。GO富集分析突出机械转导相关通路的显著参与,包括纤毛运动、细胞外基质和顶端质膜。该数据表明FF调谐与非线性转录重塑而非简单单调反应相关,声学机械力扰动细胞外基质-纤毛-细胞骨架轴的假设与之一致。
整合生物信息学鉴定核心枢纽基因和探索性候选分子特征:PPI网络揭示了高度互联的模块,枢纽基因包括表观遗传调控因子(Dnmt3a、Rbx1)、细胞周期调控因子(Aspm)、代谢转运蛋白(Slc2a2、Slc10a1、Slc27a5)和信号转导介质(Gnb3)。LASSO回归在λ
min=0.3968处优选了三个探索性候选特征:Atp6v1b1(液泡ATP酶亚基,参与突触囊泡酸化)、Sim2(中枢神经系统发育转录因子)和LOC103690996。GSEA进一步证实刺激检测、感觉感知、细胞顶端部分和G蛋白偶联受体活性相关基因集的显著富集,同时免疫调节适应性也呈富集状态。这些整合分析提示超声参数优化可能关联于神经可塑性、代谢适应和突触囊泡动力学的分子重塑。
在讨论部分,研究人员首先强调PRF对LFP总功率具有显著独立主效应,而FF虽效应量大但未达显著性,这种相加调制模式不能归因于单一因果机制。不同FF换能器产生的焦斑几何差异(-6 dB束宽分别为7.5、5.5、3.75 mm)是重要混杂因素,未来需采用匹配焦斑体积或计算建模来分离贡献。UEP的FF依赖性PRF选择性具有重要实践意义:低频率支持广泛的PRF耐受性,高频率需要匹配高PRF,这与MscL-G22S的门控动力学一致,但直接验证需在匹配声学条件下进行单通道记录。未能观察到显著振荡频带调制与既往非遗传研究形成对比,可能归因于泛神经元MscL-G22S表达的均质性兴奋性增加,以及1%异氟烷麻醉对海马theta和高gamma活动的抑制效应,这一麻醉背景也限制了结果向清醒行为动物的直接推广。
转录组发现的纤毛相关和细胞外基质富集与FF调谐参与结构机械感觉通路的假设一致。Atp6v1b1的鉴定尤为值得关注,因其为超声驱动生物物理扰动与突触前神经递质释放机制之间提供了潜在生化联系。但需强调,鉴于小样本量(n=3/组)和缺乏蛋白水平或功能验证,这些发现应视为假设生成性而非确定性结论,且转录组轮廓反映的是重复刺激的累积效应,无法映射至特定电生理结局。
研究结论部分明确指出:本研究表征了超声FF和PRF对MscL-G22S介导的大鼠海马声遗传神经调控的影响。FF和PRF对持续性海马整体活动产生独立叠加效应,其中FF显示更大效应量。刺激锁定UEP诱导表现出明显的FF依赖性PRF选择性,低频刺激支持广泛的PRF耐受,高频刺激需要匹配高PRF。探索性转录组分析鉴定出富集于机械转导相关通路的FF特异性基因表达模式,为未来研究提供候选分子靶点。这些结果共同构成MscL-G22S介导的海马声遗传神经调控的多模态参数-反应参考图谱。电生理和转录组数据为未来模型驱动的超声参数优化以及闭环或AI辅助精准超声BCI系统的开发提供了探索性种子证据,但训练稳健预测模型仍需更大规模的验证数据集。