《Advanced Science》：Smart Optogenetics for Real-Time Automated Control of Cardiac Electrical Activity
编辑推荐：
本文介绍了一种集光学电压标测、机器学习和光遗传学于一体的闭环控制系统，能对体外心脏组织中的心律失常进行实时、自适应检测与矫正，通过光学刺激精准终止转子，为开发无痛、智能的实时生物电子调控心律失常疗法提供了关键概念验证。
2 Results
2.1 System Overview
为了实现对心脏电活动的同步监测与闭环控制，研究团队设计了一个定制化的光学系统。该系统将标准的光学电压标测（OVM）装置与定制的光遗传学刺激和干预模块相结合。这一闭环平台由三个主要组件构成：用于实时图像处理、人工智能（AI）驱动的螺旋波检测和自适应刺激模式生成的软件层；包含定制驱动电路、印刷电路板（PCB）设计和优化空间间距以实现精确图案照明的微型发光二极管（mLED）矩阵硬件；以及同步实时光学数据采集与靶向照明的闭环接口。该系统能够自动化地启动、检测和终止螺旋波，为研究心律失常动力学和干预策略提供了快速反馈。
2.2 Hardware: MLED Matrix
基于光的技术因其无与伦比的时空精度，越来越多地被用于研究和操控生物系统。光遗传学刺激能够以高分辨率靶向激活或抑制生物过程，这需要既精确又兼容生物环境的送光系统。为此，研究团队开发了两种定制的可寻址LED阵列，即小型（48×32像素，分辨率0.6 mm）和大型（160×160像素，分辨率0.9 mm）mLED矩阵，专为心脏单层实验中的图案化体外照明而优化。
2.2.2 Optogenetic Manipulation Validation
研究在约3.8 cm2的CheRiff-hiAM单层上进行了基本的光遗传学操控测试以验证其功能。
- •
光学起搏：确认单层细胞的兴奋性。使用单个mLED在30 mW cm-2强度下可以100%成功率起搏；使用四个mLED的正方形图案在10 mW cm-2强度下可实现完全夺获。激活图证实，激发起源与光照区域吻合。
- •
传导阻滞：尝试使用mLED矩阵创建功能性传导阻滞线来阻止或偏转入射的起搏波。在低光强下，兴奋波仍能通过照明区域；而在较高强度下，传播被完全阻断。传导阻滞的效率取决于线条厚度和光强度。
- •
折返诱导与终止：使用S1S2方案诱导折返波。通过调整电S1和光S2脉冲之间的间隔，可以重复诱导出折返。为了终止折返，在折返波稳定后，手动施加一条持续0.5秒的光线，将其核心连接到最近的不可兴奋边界。折返终止后，通过电起搏恢复窦性心律。
2.3 Software: Spiral Wave Core Detection
深度学习在生物医学研究中的应用日益增多，但通常需要大量带注释的临床数据集。解决数据稀缺的一种策略是合成数据生成。在心脏病学领域，丰富的生理数据集使得构建能够捕捉心脏节律复杂动力学的详细数学模型成为可能。这些模型能够产生逼真的波传播模式。一个关键发现是，心律失常通常由围绕相位奇点（PSs）旋转的螺旋波构成。识别PSs对于临床诊断和治疗至关重要，但实验记录通常缺乏足够的空间分辨率来可靠地进行识别。数学模型可以克服这一限制，从而生成带有精确定位的心律失常源的逼真、带注释的合成数据集。
2.3.1 Convolutional Neural Network
为了通过定位螺旋波PSs来识别心律失常，研究团队使用计算机模型生成的合成数据训练了一个浅层卷积神经网络（CNN），该模型能准确再现单层细胞中的心脏传导并包含异质性。训练目标是利用不到一个旋转周期（30毫秒活动）的有限时间数据来识别螺旋波中心。由此产生的算法能够准确预测螺旋波中心，即使在有噪声的数据中也能保持良好表现。
2.3.2 Different Cell Types
该算法使用新生大鼠心室肌细胞的合成数据进行训练，原因有二：一是可获得实验记录用于验证算法；二是存在能够真实复制这些细胞单层的精确数学模型，从而可以生成合成训练数据。值得注意的是，训练好的算法能够在无需迁移学习的情况下，准确识别这些人源细胞单层中的螺旋波PSs。这表明该浅层CNN捕获的螺旋波动力学特征独立于物种（大鼠/人）、心脏腔室（心室/心房）以及动作电位形态和持续时间。
2.4 Closed-Loop Feedback: Integration of Hardware, Software, and Biology
为了最大限度地提高折返波终止的速度和可靠性，研究团队开发了一个全自动系统，将mLED矩阵与基于机器学习的螺旋波核心检测算法相集成，实现了快速可靠的闭环反馈。
2.4.1 Real-Time Automatic Reentry Termination
从诱导到成功终止折返，系统工作流程包括五个连续步骤，涵盖三个信息层。来自OVM相机的原始图像首先经过预处理，然后传递给核心检测算法，该算法生成螺旋核心位置的概率图（得分范围0-1）。通过直方图跟踪一段时间内概率最高的像素，以确定最一致的核心位置。当平均核心概率得分连续10帧超过0.7时，系统会自动生成一条光学刺激线，将检测到的核心连接到最近的边界。
尽管在某些单层培养物中核心会发生迁移，但系统仍能可靠地跟踪核心，并在五个样本的73个事件中有效终止折返。施加了3秒的程序化延迟，让螺旋波稳定下来。在此期间，大约10%的螺旋波自发终止。在接下来的2秒内，大约50%的螺旋通过单次终止尝试被终止。超过80%的折返波在10秒内被终止，且最多使用三次终止尝试。实验组中的所有折返波均在30秒内被终止，最多需要4次终止尝试。相比之下，在无光照对照组中，30秒时终止发生率<10%，1分钟后上升到30%。具有非典型螺旋形态的折返需要更长的识别时间和/或更多的终止尝试。
2.4.2 Advanced Real-Time Automatic Reentry Termination
为了探索在房颤等多波折返情况下的高级自动化终止能力，研究团队使用大视野OVM设置和大尺寸mLED矩阵，在6孔板的单个孔以及12孔板的多个孔中测试了该系统。
- •
单孔单转子终止：在9.6 cm2的CheRiff-hiAM单层中使用光学S1S2方案诱导单个折返波。系统在程序设定的3秒延迟后114毫秒内快速定位螺旋核心，并通过生成一条连接核心与最近边界的光线终止了折返。
- •
单孔多转子终止：在6孔板内的单个CheRiff-hiAM单层中诱导了多个折返波。稳定后，算法定位了主要的转子并通过靶向光刺激将其终止。剩余的转子随后通过第二条光线终止。
- •
高通量多孔终止：在12孔板的四个相邻孔中同时诱导了折返波。关闭左下孔（对照孔）的LED输出，以验证一个孔的照明不影响相邻孔的折返。三个“活动”孔中的螺旋波核心在376毫秒内被定位，并同时生成光线以终止折返波。单次光脉冲成功终止了“活动”孔中的折返波，而对照孔中的折返波持续存在。
3 Conclusion
本文介绍了一种新型闭环控制平台，它集成了光学标测、基于机器学习的信号分析和精确的光遗传学刺激，以在心脏组织中进行实时自适应干预。该系统的关键创新在于其自适应性：平台能实时连续监测不规则活动模式，并自动调整其干预措施，有效跟踪螺旋波的时空演化，并动态重新定位光遗传学终止位点。值得注意的是，该系统以约100毫秒的速度和0.9毫米的空间分辨率执行这些调整，比螺旋波的一个旋转周期更快，并且小于心房（1–5毫米）和心室（3–10毫米）中的螺旋核心尺寸。此外，通过使用光遗传学而非电击来终止心律失常，这种方法是无痛的，这对于临床转化应用具有特别的潜力，因为电击引起的疼痛仍然是患者舒适度和治疗依从性的重大障碍。
这项概念验证研究表明，该闭环控制平台具有强大的潜力，但需要进一步完善以增强其鲁棒性和转化潜力。目前，CheRiff作为光遗传学驱动器；虽然在我们的人源心房肌细胞模型中是有效的，但更新、更光敏感的光敏感通道蛋白（如bReaChES、ChRmine或ChReef）可以降低对光的要求，支持在送光受限的长期或植入式应用。在计算方面，研究团队采用了CNN，其总体表现良好，但在高噪声条件下受到挑战。替代的CNN架构或基于Transformer的方法可以进一步提高准确性、速度和噪声耐受性。将更大的生物变异性（如不规则的单层形状或变形的螺旋几何结构）纳入训练数据集，也可能提高模型的泛化能力。
另一个可以改进的领域是固定的采集速率，目前设定为8毫秒。在某些条件下，特别是当螺旋波频率与采集间隔一致时，系统可能会反复遇到相似的信号模式，可能导致误分类或检测延迟。实施自适应采集速率可以降低这种风险，进一步增强对动态波模式的可靠识别。研究还观察到在电静止期间，基于直方图的图像分析中出现重复模式，这是由光学设置的光反射引起的。优化光学配置或应用先进的伪影剔除算法可以进一步提高系统的准确性和特异性。
展望未来，该系统为基础研究提供了一个强有力的工具，并具有为未来植入式设备开发提供信息的巨大潜力。为了临床转化，当前原型的刚性组件需要被微型化、可拉伸和可折叠的送光结构所取代。虽然我们使用柔性基底证明了可行性，但可拉伸的mLED矩阵将更适合与心脏组织进行保形集成。此外，OVM不适合体内使用，需要过渡到基于电极的系统。研究团队提出将微创电极阵列（例如微电极（可植入）阵列，或ME(I)A）与集成的LED矩阵相结合。这种混合设备可以实现连续的电气监测和自适应调节，不仅限于心脏表面，还可以通过跨壁通路到达心脏组织的更深层。实现这一点需要对机器学习系统进行重大更新，从2D信号解释转向心脏电活动的完全3D建模。这可以通过跨壁阵列的直接3D测量实现，或者通过训练神经网络仅从表面数据推断体激活模式。
从长远来看，将强化学习集成到机器学习组件中，可以使系统自主优化其干预策略，在能量约束下识别高优先级刺激区域并优化刺激模式。这种自主学习将有助于识别使用最小能量终止心律失常的方案，这对于可植入或可穿戴应用非常重要。随着机器学习模型变得更加复杂同时保持紧凑，它们可以直接部署在芯片上，为可穿戴治疗设备中完全嵌入式、低功耗的处理铺平道路。由于推断和执行可以在如此适中的硬件上实时运行，该控制回路可以嵌入到微型设备或微控制器中，从而加速从体外到体内自动化节律管理的过渡。这些进步共同将支持下一代智能心脏接口的开发，实现长期、自适应和患者特异性的心律失常管理。
