中科院化学所&北师大毛兰群教授团队：首次基于深度学习算法用于活体传感平台
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。