0
動物實驗何時能被取代？
帶著這一問題，科學家們嘗試了很多替代動物實驗的方案，比如開發新算法、三維體外模型、利用魚胚胎（魚胚胎不屬于動物）進行毒性測試甚至是采用頗具爭議的人體實驗。
實際上，美國勞倫斯利弗莫爾國家實驗室（Lawrence Livermore National Laboratory，LLNL）也做了一項努力——開發一款 3D 芯片大腦（brain-on-a-chip），捕獲體外培養活體腦細胞的神經活動。不僅如此，他們還在這款三維芯片大腦基礎上建模，方便對體外腦芯片上形成的神經元網絡進行分析。
很明顯，這是替代動物實驗的一個好方法，研究人員也表示：
體外模擬人腦實現了重大進展。
2020 年初，勞倫斯利弗莫爾國家實驗室的研究成果發表于專注于生物技術、微量化學、納米技術的學術期刊 Lab on a chip 上，論文題為 A flexible 3-dimensional microelectrode array for in vitro brain models（一種用于體外腦模型的柔性三維微電極陣列）。
目前而言，神經動作電位的電生理記錄一般要通過二維微電極陣列（multi-electrode array，MEA），這是一種既常見又可信的評估神經功能、網絡通信、生化制劑反應的方法。相比之下，三維體外神經元網絡用于測量電生理活動的情況較少。
不過，「三維體外模型」是一種研究細胞-細胞、細胞-細胞外基質相互作用的系統。想研究這之間的相互作用，就要利用組織環境中的空間、機械、化學線索，而這在傳統的二維模型中是行不通的。
可以說，三維模型是超越二維芯片腦平臺的重要一步，因為在三維模型中，科學家們能夠更為全面地復制人腦的生理功能，也能更好地了解大腦的功能和那些對大腦產生刺激等影響的化學物質。
基于此，研究團隊開發了一種三維芯片大腦（brain-on-a-chip），即一種三維柔性微電極陣列（3DMEA），旨在實現性能、便捷性以及與現有商業電生理儀器的兼容性。
3DMEA 可容納 256 通道的記錄或刺激，記錄動作電位峰值和脈沖活動的時間至少達到 45 天，支持數十萬人類神經元生長。3DMEA 包含三組陣列，每個陣列中有 80 個電極分布在 10 個柔性聚合物探針上，研究人員一次可進行三個獨立實驗，同時監視不同位置的神經活動。
3DMEA 大致的制作過程是：在玻璃基板上精密加工聚酰亞胺（Polyimide，綜合性能最佳的有機高分子材料之一）探針陣列，先利用機械驅動的方式將陣列整體提升到垂直位置，再依靠座鉸的塑性變形保持垂直對齊。
【確保快速致動陣列探針的裝置】
為證明 3DMEA 的實用性，研究人員將由人誘導多能干細胞（hiPSC）衍生的神經元和星形膠質細胞（astrocytes）作為培養物包裹在基于膠原的水凝膠中，并接種到 3DMEA 上，使懸浮細胞在基質中得到培養。
大約 2 周后，神經元網絡生長并成熟，研究人員能夠以半小時為增量，記錄 3DMEA 中細胞的電生理活性，為每個細胞創建獨一無二的高分辨率電極位置圖。
不難看出，3DMEA 平臺創建的意義在于無創監測人類三維神經元培養物的電生理活性。研究人員表示：
從 3DMEA 獲得的數據可以為科學研究提供信息。在不需要動物模型的情況下，可為暴露于化學生物制劑、模擬疾病感染、評估環境毒性或研發藥物的研究人員制定對策。同時，我們致力于在 3DMEA 上復制人體系統，希望未來研發的設備更適用于人類，甚至取代動物測試。
幾個月后，在 3DMEA 的基礎之上，勞倫斯利弗莫爾國家實驗室的科學家們又開發了一種對在 3DMEA 上逐漸生長、成熟的神經元群落的活動和結構建模的方法，旨在幫助廣大科研人員攻克影響大腦的毒素或疾?。ㄈ绨d癇?。?。
簡單來講，研究團隊開發了一種統計模型，專用于分析在體外腦芯片上植入的腦細胞形成的神經元網絡。
其實現過程為：首先通過 3DMEA 捕獲、收集神經元網絡在交流時產生的電信號，然后將數據作為教學工具，將圖論中標準的隨機塊模型（SBM，復雜網絡群體結構建模的重要工具）與一個包含機器學習組件的高斯過程（Gaussian Process, GP）概率模型相結合，時間隨機塊模型（T-SBM）得以創建。
相比以前的方法，T-SBM 的獨特之處就在于對神經元生長的時間動態建模。借助這一方法，研究人員可以了解神經群落的結構、進化方式以及在不同實驗條件下結構的變化方式。
T-SBM 已被用于三個數據集——培養復雜性、細胞外基質（ECM，生長在細胞表面的蛋白質）和來自大腦不同區域的神經元。
就拿第一個數據集的實驗結果來講，研究人員查看對比了：
僅包含神經元細胞的培養物的數據；以及
將神經元與其他類型腦細胞混合的培養物的數據。
研究人員發現，后者更接近真實的人腦數據。所以結論是：在包含其他細胞類型的環境中生成的神經元網絡更復雜，隨時間的推移它也會更加復雜。
實際上，這一結果也正是研究人員預測之中的，不難看出 T-SBM 能夠準確地捕獲神經元網絡隨時間變化而產生的差異。
關于 LLNL
正如前文所述，3DMEA 平臺和 T-SBM 模型的設計出自美國勞倫斯利弗莫爾國家實驗室（LLNL）。
作為美國著名國家實驗室之一的 LLNL 隸屬于美國能源部國家核安全局（NNSA），1952 年（冷戰白熱化階段）由諾獎得主、加州大學伯克利分校物理學教授 Ernest Orlando Lawrence 和氫彈之父、理論物理學家 Edward Teller 共同建立。
在 LLNL 官網可以看到，其主要責任是研發包括核武器在內的美國國防科技，確保美國核力量的安全和可靠性。然而 LLNL 的任務不限于此，從核擴散、恐怖主義到能源短缺、氣候變化等，都屬于 LLNL 的關注領域。
在 LLNL 眾多的科研碩果之中，最為出名的便是 6 種化學元素（113-118 號）的發現。
2012 年，LLNL 還曾與 IBM 宣布共同創辦名為 Deep Computing Solutions 的公司，旨在為企業提供高性能的計算能力。
引用來源：
https://pubs.rsc.org/en/content/articlepdf/2020/lc/c9lc01148j
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1007834
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
