来源：崛步化学
大脑中已知存在多达200种对大脑非常重要的功能小分子，它们中一种或几种物质与特定的病理状态相关联。活体同时选择性地测量多种神经化学物质是一项巨大的挑战。
近日，毛兰群教授团队基于深度学习算法为活体同时测量提供了一种很有前景的解决方案。该团队首次提出了一种基于深度学习的伏安（DLV）传感平台，用于高时空分辨率、高灵敏度同步记录多种神经化学物质。相关工作以“Deep learningfor voltammetric sensing in living animal brain”为题发表在Angewandte Chemie International Edition上。
图1. 基于深度学习的伏安传感平台（DLV传感器）的工作原理：（a）DLV传感器的工作流程。为了从体内循环伏安图中选择性解析和量化三元神经化学物质，DLV传感器使用体外伏安图预训练自动编码器网络（步骤1），然后使用体外和体内数据训练预训练模型（步骤2），最后预测使用相同电极的体内数据浓度（步骤3）；（b）自编码器训练进度。DLV传感器通过更新模型参数来最小化预测损失和重建损失。
该传感器主要利用碳纤维微电极（CFE），使用FSCV记录这些神经化学物质的电化学响应，生成具有混合化学、空间和时间信息的稳定且可重复的伏安图。
研究团队主要围绕活体神经化学中经典的神经递质、神经调节剂及中枢神经系统（CNS）电解质主要成分的离子（多巴胺（DA）、抗坏血酸（AA）在脑扩散抑制（SD）过程中浓度的变化。采用深度神经网络来解析个体化学和时空信息，揭示了DA、AA和离子之间的相互关系。
这项工作填补了体内伏安法的高时空分辨率测量与强大的深度学习算法之间的新兴技术差距，展示了一种实时可视化神经元相互作用的关键手段，提供了迄今为止无法获得的关于大脑功能分子机制的见解。该策略提供了一种强有力的手段来加快神经科学的研究并增强传感辅助诊断应用的能力。
图2. 使用DLV传感器对体外伏安图进行解卷积：（a）流通池实验的工作流程；（b）注射aCSF、AA（100 μmolL-1）、DA（2.5 μmol L-1）、低盐aCSF溶液（含50 mmol L-1 NaCl）及其混合1分钟的流动池实验结果。从上到下：典型的循环伏安图、伏安图的颜色表示以及AA、DA和NaCl的浓度预测（用于模拟离子变化）。
图3. 同时监测大鼠大脑中的多个神经化学波动：（a）体内实验装置示意图；（b）在大鼠纹状体中KCl诱导的扩散抑制的背景扣除伏安图的颜色图（250 mmol L-1 KCl，2 μL min-1持续30秒）。下面的图是由DNN模型计算的AA、DA和离子变化的浓度预测。
图4. 扩散去极化引起的神经化学波动的机制研究：（a）在大鼠纹状体局部显微注射1 mmol L-1 DIDS后，KCl诱导扩散抑制（250 mmol L-1 KCl，2 μL min-1持续30秒）期间AA、DA和离子变化的颜色图和浓度预测（2 μLmin-1 2分钟）；（b）AA和（c）DA在局部显微注射DIDS前后扩散抑制期间释放的平均量。误差棒代表均方误差。*p<0.05，NS，不显着；（d）扩散去极化过程中神经化学波动可能机制的示意图。
Yifei Xue, Wenliang Ji, Ying Jiang, Ping Yu, Lanqun Mao, Deep learning for voltammetric sensing in living animal brain, 2021, Angew. Chem. Int. Ed. 2021, https://doi.org/10.1002/anie.202109170.
