引领科技前沿 · 服务国家战略北京前沿科学技术研究院
北京前沿科学技术研究院 BEIJING INSTITUTE OF FRONTIER SCIENCE

迷你大脑揭示精神分裂症和双相情感障碍的清晰脑信号

2026-11-21 16:04:52 心理学 阅读

微型实验室培养的“大脑”(类脑器官)为研究精神分裂症和双相情感障碍如何扰乱神经活动提供了前所未有的视角。研究人员发现了独特的电发放模式,能够高精度地识别这些疾病。这一发现为更精确的诊断和个性化药物测试打开了大门。医生未来或许无需再凭猜测用药,而是可以在治疗患者之前先看到哪些药物有效。

这些发现最终可能有助于医生减少在诊断和治疗心理健康障碍时的失误。如今,许多精神疾病的确诊仅依赖临床判断,治疗则采用药物“试错法”。

这项研究发表在《APL Bioengineering》期刊上。

为何精神分裂症和双相情感障碍难以诊断

“精神分裂症和双相情感障碍非常难以诊断,因为大脑中没有特定的部分会出现功能异常。这不像帕金森病那样会有特定的酶出现异常——帕金森病是另一种神经系统疾病,医生可以根据多巴胺水平进行诊断和治疗,尽管该病目前仍无根治方法,”领导这项研究的约翰斯·霍普金斯大学生物医学工程师安妮·卡图里亚(Annie Kathuria)说道。“我们希望在未来,不仅能通过大脑类器官确认患者是否患有精神分裂症或双相情感障碍,还能在类器官上测试药物,以找出能帮助患者恢复健康状态的药物浓度。”

科学家如何构建和研究大脑类器官

为了开展这项研究,卡图里亚的团队培育了大脑类器官,即真实人类器官的简化版本。他们首先将来自精神分裂症患者、双相情感障碍患者以及健康个体的血液和皮肤细胞转化为干细胞,这些干细胞能够发育成类似大脑的组织。

 

随后,研究团队利用机器学习工具分析了这些“微型大脑”内部细胞的电活动。在人脑中,神经元通过相互发送短暂的电信号进行交流,研究人员专注于识别与健康及不健康大脑功能相关的活动模式。

电学生物标志物识别精神疾病

科学家发现,类器官电行为的特定特征可作为精神分裂症和双相情感障碍的生物标志物。仅利用这些信号,他们就能在83%的情况下正确识别出哪些类器官来自患病患者。当组织接受旨在激发更多神经活动的温和电刺激时,准确率提升至92%。

他们发现的模式复杂且高度特异。来自精神分裂症和双相情感障碍患者的神经元在多项电学测量中表现出异常的放电峰值和时序变化,从而为每种疾病创造了独特的特征信号。

“至少在分子层面上,我们可以检查在培养皿中构建这些‘大脑’时出了什么问题,并根据这些电生理特征区分来自健康人、精神分裂症患者或双相情感障碍患者的类器官,”卡图里亚说。“我们追踪神经元发育过程中产生的电信号,并将其与未患这些精神疾病的患者的类器官进行比较。”

利用微芯片绘制大脑活动

为了更好地理解神经元如何形成网络,研究人员将类器官放置在配备了呈网格状排列的多电极阵列的微芯片上。这种设置使他们能够以类似于微型脑电图(EEG)的方式收集数据,而脑电图是医生用于测量患者大脑活动的检测手段。

 

发育完全后,这些类器官的直径约为三毫米。它们包含通常存在于大脑前额叶皮层中的多种神经细胞,该区域涉及高级思维活动。这些“微型大脑”还能产生髓磷脂,这是一种隔离神经细胞并帮助电信号更高效传递的物质。

迈向个性化的精神科治疗

这项研究仅包含12名患者的样本,但卡图里亚认为这些结果指向了有意义的临床应用。类器官最终可能成为精神科药物的测试平台,在这些药物开给患者之前进行测试。

该团队目前正与约翰斯·霍普金斯医学院的神经外科医生、精神科医生和神经科学家合作。他们正在收集精神科患者的额外血液样本,以研究不同药物浓度如何影响类器官的活动。尽管样本数量有限,研究人员相信他们或许能够提出有助于恢复更健康神经模式的药物剂量建议。

“大多数医生目前就是这样给患者用药的,采用试错法,可能需要六七个月才能找到合适的药物,”卡图里亚说。“氯氮平是治疗精神分裂症最常用的药物,但约40%的患者对其具有耐药性。有了我们的类器官,也许我们不必经历那个试错阶段。也许我们能更早地为他们提供对症的药物。”

信息来源

Story Source: Materials provided by Johns Hopkins University . Original written by Roberto Molar Candanosa. Note: Content may be edited for style and length.

Journal Reference : Kai Cheng, Autumn Williams, Anannya Kshirsagar, Sai Kulkarni, Rakesh Karmacharya, Deok-Ho Kim, Sridevi V. Sarma, Annie Kathuria. Machine learning-enabled detection of electrophysiological signatures in iPSC-derived models of schizophrenia and bipolar disorder . APL Bioengineering , 2025; 9 (3) DOI: 10.1063/5.0250559

微信扫码分享

微信扫一扫,分享本文