芯片上数十万神经元生长！科学家在「3D 芯片大脑」基础上建模，未来还要复制人体系统

动物实验何时能被取代？

带着这一问题，科学家们尝试了很多替代动物实验的方案，比如开发新算法、三维体外模型、利用鱼胚胎（鱼胚胎不属于动物）进行毒性测试甚至是采用颇具争议的人体实验。

实际上，美国劳伦斯利弗莫尔国家实验室（Lawrence Livermore National Laboratory，LLNL）也做了一项努力——开发一款 3D 芯片大脑（brain-on-a-chip），捕获体外培养活体脑细胞的神经活动。不仅如此，他们还在这款三维芯片大脑基础上建模，方便对体外脑芯片上形成的神经元网络进行分析。

很明显，这是替代动物实验的一个好方法，研究人员也表示：

体外模拟人脑实现了重大进展。

三维芯片大脑

2020 年初，劳伦斯利弗莫尔国家实验室的研究成果发表于专注于生物技术、微量化学、纳米技术的学术期刊 Lab on a chip 上，论文题为 A flexible 3-dimensional microelectrode array for in vitro brain models（一种用于体外脑模型的柔性三维微电极阵列）。

为什么是三维，不是二维？

目前而言，神经动作电位的电生理记录一般要通过二维微电极阵列（multi-electrode array，MEA），这是一种既常见又可信的评估神经功能、网络通信、生化制剂反应的方法。相比之下，三维体外神经元网络用于测量电生理活动的情况较少。

不过，「三维体外模型」是一种研究细胞-细胞、细胞-细胞外基质相互作用的系统。想研究这之间的相互作用，就要利用组织环境中的空间、机械、化学线索，而这在传统的二维模型中是行不通的。

可以说， 三维模型是超越二维芯片脑平台的重要一步 ，因为在三维模型中，科学家们能够更为全面地复制人脑的生理功能，也能更好地了解大脑的功能和那些对大脑产生刺激等影响的化学物质。

三维柔性微电极阵列

基于此，研究团队开发了一种三维芯片大脑（brain-on-a-chip），即一种三维柔性微电极阵列（3DMEA），旨在实现性能、便捷性以及与现有商业电生理仪器的兼容性。

3DMEA 可容纳 256 通道的记录或刺激，记录动作电位峰值和脉冲活动的时间至少达到 45 天，支持数十万人类神经元生长。3DMEA 包含三组阵列，每个阵列中有 80 个电极分布在 10 个柔性聚合物探针上，研究人员一次可进行三个独立实验，同时监视不同位置的神经活动。

3DMEA 大致的制作过程是：在玻璃基板上精密加工聚酰亚胺（Polyimide，综合性能最佳的有机高分子材料之一）探针阵列，先利用机械驱动的方式将阵列整体提升到垂直位置，再依靠座铰的塑性变形保持垂直对齐。

【确保快速致动阵列探针的装置】

无创监测神经元电生理活性

为证明 3DMEA 的实用性，研究人员将由人诱导多能干细胞（hiPSC）衍生的神经元和星形胶质细胞（astrocytes）作为培养物包裹在基于胶原的水凝胶中，并接种到 3DMEA 上，使悬浮细胞在基质中得到培养。

大约 2 周后，神经元网络生长并成熟，研究人员能够以半小时为增量，记录 3DMEA 中细胞的电生理活性，为每个细胞创建独一无二的高分辨率电极位置图。

不难看出，3DMEA 平台创建的意义在于无创监测人类三维神经元培养物的电生理活性。研究人员表示：

从 3DMEA 获得的数据可以为科学研究提供信息。在不需要动物模型的情况下，可为暴露于化学生物制剂、模拟疾病感染、评估环境毒性或研发药物的研究人员制定对策。

创建时间随机块模型

几个月后，在 3DMEA 的基础之上，劳伦斯利弗莫尔国家实验室的科学家们又开发了一种对在  3DMEA 上逐渐生长、成熟的神经元群落的活动和结构建模的方法，旨在帮助广大科研人员攻克 影响大脑的毒素或疾病（如癫痫病）。

简单来讲，研究团队开发了一种统计模型，专用于分析在体外脑芯片上植入的脑细胞形成的神经元网络。

其实现过程为：首先通过 3DMEA 捕获、收集神经元网络在交流时产生的电信号，然后将数据作为教学工具，将图论中标准的随机块模型（SBM，复杂网络群体结构建模的重要工具）与一个包含机器学习组件的高斯过程（Gaussian Process, GP）概率模型相结合，时间随机块模型（T-SBM）得以创建。

相比以前的方法，T-SBM 的独特之处就在于对神经元生长的时间动态建模。借助这一方法，研究人员可以了解神经群落的结构、进化方式以及在不同实验条件下结构的变化方式。

T-SBM 已被用于三个数据集——培养复杂性、细胞外基质（ECM，生长在细胞表面的蛋白质）和来自大脑不同区域的神经元。

就拿第一个数据集的实验结果来讲，研究人员查看对比了：

• 仅包含神经元细胞的培养物的数据；以及

• 将神经元与其他类型脑细胞混合的培养物的数据。

研究人员发现，后者更接近真实的人脑数据。所以结论是：在包含其他细胞类型的环境中生成的神经元网络更复杂，随时间的推移它也会更加复杂。

实际上，这一结果也正是研究人员预测之中的，不难看出 T-SBM 能够准确地捕获神经元网络随时间变化而产生的差 异。

关于 LLNL

正如前文所述，3DMEA 平台和 T-SBM 模型的设计出自美国劳伦斯利弗莫尔国家实验室（LLNL）。

作为美国著名国家实验室之一的 LLNL 隶属于美国能源部国家核安全局（NNSA），1952 年（冷战白热化阶段）由诺奖得主、加州大学伯克利分校物理学教授 Ernest Orlando Lawrence 和氢弹之父、理论物理学家 Edward Teller 共同建立。

在 LLNL 官网可以看到，其主要责任是研发包括核武器在内的美国国防科技，确保美国核力量的安全和可靠性。然而 LLNL 的任务不限于此，从核扩散、恐怖主义到能源短缺、气候变化等，都属于 LLNL 的关注领域。

在 LLNL 众多的科研硕果之中，最为出名的便是 6 种化学元素（113-118 号）的发现。

2012 年，LLNL 还曾与 IBM 宣布共同创办名为 Deep Computing Solutions 的公司，旨在为企业提供高性能的计算能力。

引用来源：

https://pubs.rsc.org/en/content/articlepdf/2020/lc/c9lc01148j

https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1007834

雷锋网雷锋网 (公众号：雷锋网) 雷锋网

。