导 语
近日，杜克大学生物医学工程系的研究团队在《Nature Communications》上发表了一项关于电刺激参数优化的新研究。该研究通过机器学习技术大幅提高了神经纤维对电刺激响应的建模和优化效率，为设计精准的神经调控疗法提供了新的思路。
01
研究背景
周围神经调控已成为控制生理功能和治疗多种疾病的重要手段，尤其在慢性疼痛和器官功能障碍的治疗中展现了巨大潜力。然而，由于神经纤维对电刺激的响应高度复杂且非线性，设计精确且有效的神经调控方案一直是一个巨大的挑战。传统的计算模型虽然能帮助理解神经对电刺激的响应，但这些模型的计算成本高昂，难以应用于实时场景或大规模参数优化。
02
研究概述
基于功能化导电聚合物的设计，研究团队设计了功能化聚苯胺基时序黏附水凝胶贴片。它可以实现心脏的同步机械生理监测和电耦合治疗，并牢固附着在心脏表面监测心脏的机械运动和电活动。
这项研究提出了一种基于机器学习的神经纤维响应建模和优化方法。研究团队开发了一个名为AxonML的框架，通过高性能计算和并行编程技术，实现了对大规模神经纤维响应的快速估计和优化。该框架生成了一个名为S-MF的代理纤维模型，能够在保持预测准确性的同时，大幅提高计算效率。通过这个模型，研究团队成功优化了猪和人类迷走神经的选择性刺激参数。
研究团队首先使用有限元法模拟了人类和猪的迷走神经电位分布，并以此为基础生成了一组训练数据。随后，研究人员使用这些数据训练了一个简化的神经纤维模型（图1），使其能够准确预测不同电刺激条件下的神经纤维响应。
图1：周围神经电刺激计算模型的组成部分（图片来自原文）。
S-MF模型在多个方面展现了其高效性和准确性：
（1）激活阈值的预测
S-MF模型能够准确预测在不同神经解剖结构、纤维直径和电极几何结构下的神经纤维激活阈值（图2）。具体来说，研究在6个人类和6只猪的迷走神经中，使用了两种电极设计（六接触点的ImThera袖带电极和螺旋袖带电极）进行测试。实验结果显示，S-MF模型预测的激活阈值与传统的NEURON模型结果高度一致，且S-MF模型在计算速度上提升了数千倍。
图2：S-MF准确预测激活阈值并大幅减少计算时间（图片来自原文）。
（2）非线性现象的模拟
研究还验证了S-MF模型在模拟其他复杂非线性现象方面的准确性（图3）。例如，S-MF模型成功重现了单脉冲刺激下的不同反应，包括激发、单向传播、双向传播等现象。此外，模型还准确预测了在不同频率和幅度下的千赫兹频率刺激诱导的可逆性传导阻滞。最后，S-MF模型还能够精确模拟在传统频率（低于1kHz）的刺激下，神经纤维的内在活动和刺激之间的相互作用。这些结果表明，S-MF模型不仅在常规情况下表现优异，还能处理复杂的非线性刺激响应。
图3：S-MF预测一系列对刺激的非线性反应（图片来自原文）。
（3）空间选择性的优化
研究团队进一步使用S-MF模型对刺激参数进行了优化，以实现对目标纤维的空间选择性激活（图4和图5）。在优化过程中，S-MF模型不仅在固定波形形状（如对称双相矩形脉冲）的情况下表现出色，还能够在波形形状完全自由的情况下，迅速找到最优的刺激参数组合。研究表明，使用S-MF模型进行优化后，目标纤维的激活率达到了100%，而非目标纤维的激活率几乎为零。S-MF模型在高维参数空间中，也能够保持高效的优化性能。
图4：使用对称双相矩形波形优化电流幅度（6 个自由度），对 5.7 µm 纤维进行空间选择性激活（图片来自原文）。
图5：使用任意波形优化电流幅度（1200 个自由度），对 5.7 µm 光纤进行空间选择性激活（图片来自原文）。
03
结语
该研究提出的AxonML框架和S-MF模型，为神经调控疗法的设计和优化提供了强大的工具。未来，随着该技术的进一步发展，它有望应用于神经系统疾病的治疗，为患者带来更精准有效的治疗方案。
参考文献：
Hussain, M.A., Grill, W.M. ＆ Pelot, N.A. Highly efficient modeling and optimization of neural fiber responses to electrical stimulation. Nat Commun 15, 7597 (2024). https://doi.org/10.1038/s41467-024-51709-8
END