In einer kürzlich veröffentlichten Studie in Natur Nanotechnologie, Eine Gruppe von Forschern entwickelte hochdichte, ultrakleine, transparente Graphen-Mikroelektroden für eine verbesserte räumliche Auflösung bei elektrophysiologischen Aufzeichnungen der Gehirnoberfläche und bei der Kalziumbildgebung, die die Entschlüsselung einzelner Zell- und durchschnittlicher neuronaler Aktivitäten aus Oberflächenpotentialen ermöglichen.
Studie: Transparente Graphen-Arrays mit hoher Dichte zur Vorhersage der zellulären Kalziumaktivität in der Tiefe anhand von Oberflächenpotentialaufzeichnungen. Bildquelle: Gorodenkoff/Shutterstock.com
Hintergrund
Die Erforschung von Gehirnmechanismen auf verschiedenen räumlichen und zeitlichen Skalen ist für das Verständnis der neuronalen Dynamik von entscheidender Bedeutung und erfordert Werkzeuge, die verschiedene Modalitäten integrieren.
Herkömmliche transparente Mikroelektrodentechnologien sind trotz ihrer Fortschritte durch Größe und Kanaldichte begrenzt.
Weitere Forschung ist erforderlich, um die Integration dieser Technologien in lebendes Nervengewebe zu verbessern, die Langzeitstabilität und Biokompatibilität zu optimieren und ihre Anwendung auf ein breiteres Spektrum neurologischer Studien und therapeutischer Interventionen auszudehnen.
Über die Studie
Die Forscher entwickelten transparente Graphen-Arrays mit hoher Dichte, indem sie eine Perylen-C-Schicht (PC) mit einer Opferschicht aus Polydimethylglutarimid (PMGI) SF3 auf einem Siliziumwafer ablagerten.
Anschließend zerstäubten sie Chrom und Gold, um Metalldrähte und Kontaktpads zu formen. Die erste Graphenschicht wurde mittels elektrochemischer Delaminierung übertragen und zur Reduzierung des Drahtwiderstands in eine Salpetersäurelösung (HNO3) getaucht.
Nach der Reinigung wurde eine zweite Graphenschicht hinzugefügt. Sie verwendeten einen zweischichtigen Fotolack und ätzten das Graphen mit Sauerstoffplasma, gefolgt von einer Reinigung. Um das Graphen während der folgenden Schritte zu schützen, sputterten sie eine Ätzstoppschicht aus Siliziumdioxid darauf.
Nachdem sie eine weitere PC-Schicht als Verkapselungsschicht abgeschieden und strukturiert hatten, entfernten sie die Siliziumdioxidschicht, um Zugang zum Graphen zu erhalten, und lösten die Arrays vom Wafer.
Für die Elektrodencharakterisierung führte das Team eine elektrochemische Abscheidung von Platin-Nanopartikeln (PtNPs) und elektrochemische Charakterisierungen mit einem Gamry 600 plus in einer phosphatgepufferten Salzlösung durch.
Die Messungen wurden in einem Faradayschen Käfig durchgeführt, um elektromagnetisches Rauschen zu vermeiden. Die PtNP-Abscheidung wurde in einer Zwei-Elektroden-Konfiguration durchgeführt, wobei ein Strom von der Graphen-Elektrode zur Gegenelektrode floss.
Es wurde festgestellt, dass die Impedanz der Elektroden nach 150 Sekunden PtNP-Abscheidung gesättigt war.
Die Forscher modifizierten das herkömmliche Randles-Modell, um die Elektroden zu analysieren und den Quantenkapazitätseffekt, den Widerstand von Graphendrähten und die Pseudokapazität (Cp) von PtNP zu erfassen.
Sie entfernten die Quantenkapazitätskomponente aus dem Ersatzschaltbild für die Schnittstelle zwischen Elektrode und Elektrolyt und fügten Cp und Ladungsübertragungswiderstand (Rct) hinzu, um die Pseudokapazität von PtNP darzustellen. Kapazitäten in den Schaltungsmodellen wurden durch Anpassen der Messdaten der elektrochemischen Impedanzspektroskopie extrahiert.
Die Tierversuche folgten Protokollen, die vom Institutional Animal Care and Use Committee der University of California San Diego genehmigt wurden. Erwachsene Mäuse wurden betäubt und ihnen wurde eine speziell angefertigte Kopfplatte in den Schädel implantiert.
Über der linken Hemisphäre wurde eine Kraniotomie durchgeführt und die transparente Elektrodenanordnung aus PtNPs/doppelschichtigem Graphen (id-DLG) wurde auf der freigelegten Kortikalis platziert.
Den Tieren wurden visuelle Reize präsentiert, und die Zwei-Photonen-Bildgebung und die Analyse der Bilddaten wurden mit einem kommerziellen Zwei-Photonen-Mikroskop durchgeführt.
Elektrophysiologische Aufzeichnungen wurden mit der RHD2000-Verstärkerplatine erstellt und die Daten mithilfe benutzerdefinierter Skripte in Matrix Laboratory (MATLAB) analysiert. Für die Analyse und Korrelation mit der Calciumaktivität wurden Elektroden mit Impedanzen über 10 MΩ ausgeschlossen.
Das Team wendete verschiedene Filter auf die Oberflächenaufzeichnungen an, um verschiedene Frequenzbänder zu isolieren und die visuell hervorgerufenen Potenziale zu extrahieren.
Sie entwickelten außerdem ein neuronales Netzwerkmodell in Python, um die Kalziumaktivität aus den Oberflächenpotentialen vorherzusagen, indem sie eine BiLSTM-Schicht (bidirektionales Langzeitgedächtnis) implementierten und den mittleren quadratischen Fehler als Verlustfunktion verwendeten.
Die Gaußsche Prozessfaktoranalyse (GPFA) – ein generatives Modell – wurde verwendet, um latente Darstellungen zu extrahieren, die die gemeinsame Variabilität hochdimensionaler Daten beschreiben. Die projizierten Kalziumsignale des BiLSTM-Modells wurden mit den tatsächlichen Kalziumsignalen verglichen.
Zur statistischen Analyse wurde ein zweiseitiger Wilcoxon-Rangsummentest verwendet, um die Decodierungsleistungen zu vergleichen.
Studienergebnisse
Die Forscher haben bei der Entwicklung transparenter Graphen-Mikroelektrodenarrays mit hoher Dichte und ultrakleinen Elektroden erhebliche Herausforderungen gemeistert. Sie befassten sich mit Fragen im Zusammenhang mit der Quantenkapazität in Graphen, einem Material, das für seine geringe Zustandsdichte in der Nähe des Dirac-Punkts bekannt ist, indem sie PtNPs verwendeten.
Durch diese innovative Methode wurde ein Pfad mit niedriger Impedanz geschaffen, wodurch die Elektrodenimpedanz deutlich von 5.4 MΩ auf 250 kΩ gesenkt wurde. Das Team entwickelte außerdem ein Ersatzschaltbildmodell zur Analyse der elektrochemischen Impedanz dieser Elektroden und demonstrierte so die erfolgreiche Integration von id-DLG und PtNPs.
Dies führte zu hochergiebigen, vollständig transparenten Graphen-Arrays, die die Signalqualität auch mit ultrakleinen Elektroden aufrechterhielten.
In in vivo In Experimenten nutzte das Team diese Arrays, um elektrophysiologische Signale von der kortikalen Oberfläche transgener Mäuse aufzuzeichnen und gleichzeitig Kalzium-Bildgebung mit Zwei-Photonen-Mikroskopie durchzuführen.
Dieser Ansatz ermöglichte es den Forschern, erregende Neuronen und ihre Kompartimente mit Einzelzellauflösung zu beobachten. Sie könnten verschiedene neuronale Reaktionen auf visuelle Reize aufzeichnen und einheitliche elektrophysiologische Aufzeichnungen im gesamten Kortex gewährleisten.
Die Transparenz des Graphen-Arrays und die ultrakleine Größe der PtNP-Elektroden ermöglichten eine umfassende räumliche Abdeckung, ohne das Sichtfeld zu behindern, und erleichterten so die hochauflösende Beobachtung von Oberflächenpotentialen über einen großen Bereich des Kortex.
Anschließend verwendeten die Forscher künstliche neuronale Netze, darunter ein einschichtiges BiLSTM-Netzwerk, um die Gehirnaktivität in tieferen Schichten vorherzusagen, indem sie ausschließlich die hochauflösenden elektrischen Aufzeichnungen von der kortikalen Oberfläche verwendeten.
Die Modelle wurden anhand multimodaler Datensätze trainiert, um die nichtlinearen Beziehungen zwischen zellulären Kalziumaktivitäten und Oberflächenpotentialen zu verstehen.
Dieser Ansatz zeigte eine starke Korrelation zwischen den vorhergesagten und tatsächlichen Calciumaktivitäten für beide Schichten, was darauf hindeutet, dass verschiedene Kanäle komplementäre Informationen für die Dekodierung lieferten.
Das Team untersuchte auch die Möglichkeit, Einzelzellaktivitäten anhand von Oberflächenpotentialen vorherzusagen, indem GPFA verwendet wurde, um niedrigdimensionale latente Variablen zu extrahieren, die für hochdimensionale Calciumfluoreszenzsignale repräsentativ sind.
Diese Methode leitete mithilfe elektrischer Oberflächenaktivitäten effektiv die Kalziumaktivität von Neuronen in der Tiefe ab.
Sie fanden jedoch auch heraus, dass die Populationskopplung nicht der einzige Faktor war, der die Decodierungsleistung bestimmt, was darauf hindeutet, dass sie zwar zum Rückschluss auf die Aktivität einzelner Zellen beiträgt, aber auch andere Faktoren eine Rolle spielen.
Dies weist darauf hin, dass die von den Graphen-Arrays aufgezeichneten Oberflächenpotentiale wertvolle Informationen über neuronale Aktivitäten in verschiedenen Gehirnschichten enthalten und Rückschlüsse auf die Dynamik neuronaler Populationen sogar auf Einzelzellebene ermöglichen.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://www.news-medical.net/news/20240115/Revolutionary-transparent-graphene-microelectrodes-enhance-brain-imaging-and-stimulation.aspx
