基于深度学习的离子通道动力学分析，用于自动膜片钳记录

膜片钳技术是研究离子通道动力学和电生理特性的基本工具。本研究提出了第一个人工智能框架，用于表征全细胞记录的多个离子通道动力学。该框架集成了用于异常检测的机器学习和用于多类分类的深度学习。异常检测排除了与 ion 通道行为不兼容的记录。多类分类结合了 1D 卷积神经网络、双向长短期记忆和注意力机制，以捕获录音的时空模式。该框架根据离子通道动力学将 124 个测试数据集分为 6 类，准确率达到 97.58%。新框架的实用性在两个应用中得到证明：阿尔茨海默病药物筛选和纳米基质诱导的神经元分化。在药物筛选中，该框架说明了美金刚对内源性通道的抑制作用，以及钾、镁和钙离子通道之间的拮抗相互作用。对于纳米基质诱导的分化，分类器指示分化条件对与动作电位相关的钠和钾通道的影响，验证分化神经元在帕金森病治疗中的功能特性。所提出的框架有望提高电生理研究中离子通道动力学分析的效率和准确性。

服务对象 ： 香港城市大学
发表时间： 2025 年 3 月 27 日
发表期刊： ADVANCED SCIENCE
文章链接： https://doi.org/10.1002/advs.202570080