可调声学旋转用于临床前阿尔茨海默病深部生物物理表型分析

《Materials Today Bio》：Tunable acoustic rotation for deep biophysical phenotyping of preclinical Alzheimer’s disease

尽管成像和生物标志物方法取得了进展，在单细胞分辨率下早期诊断阿尔茨海默病（Alzheimer's Disease, AD）仍具挑战性。钙离子（Ca2+）失调和膜流动性（membrane fluidity）降低等单细胞尺度的生物物理信号可作为AD早期标志物，但这些微弱信号难以捕获。研究人员利用声学诱导细胞旋转（acoustic-induced cell rotation）增强的光学读出表征了上述两种现象。钙指示剂荧光信号的光漂白半衰期（photobleaching half-life）及用于表征膜流动性的荧光恢复后半恢复期（half-recovery time of FRAP, Fluorescence Recovery After Photobleaching）均随诱导细胞旋转的声学频率变化。信号增强在中间声频窗口内达到峰值，在较低和较高频率下均减弱，呈现带通（bandpass-like）响应。该频率依赖性行为指导了后续测量最佳工作频率的选择。研究人员建立了β-淀粉样蛋白（Amyloid-β, Aβ）诱导的体外细胞模型，利用多维空间、时间和频域特征评估Aβ诱导的细胞应激状态。该声学旋转方法区分早期Aβ诱导细胞应激与未处理对照的准确率达99.0%，对按Aβ暴露时长定义的五类细胞状态分类准确率达94.8%。通过主动增强微弱的单细胞功能信号，这种频率依赖的声学策略为活细胞光学表型分析（live-cell optical phenotyping）提供了可推广的方法，并可能支持未来AD相关细胞应激的临床前研究。

《Tunable acoustic rotation for deep biophysical phenotyping of preclinical Alzheimer's disease》论文解读

本研究发表于《Materials Today Bio》。目前临床前阿尔茨海默病（Alzheimer's Disease, AD）研究面临方法学瓶颈：组织水平成像（MRI、PET）缺乏单细胞分辨率，体液生物标志物因细胞异质性平均化而掩盖早期功能障碍起始通路，传统高分辨率细胞检测多为破坏性终点法，难以进行活细胞纵向监测。此外，与早期AD相关的细胞内钙（Ca²⁺）稳态失衡及细胞膜生物物理特性（如膜流动性降低）改变信号微弱，常规光学方法受限于光毒性与光漂白，低信噪比下难以可靠提取特征。为此，研究人员开发了基于可调低频声学诱导细胞旋转的微流控光学平台，结合频域特征分析与机器学习，实现对Aβ（Amyloid-β）诱导神经细胞早期应激状态的高精度单细胞分辨检测与分期。

主要关键技术方法

研究人员建立Aβ_1-42寡聚体固定剂量—时间梯度处理的SH-SY5Y人神经母细胞瘤细胞模型（对照组、Aβ暴露2 h/6 h/12 h/24 h组）；利用带有四尖星柱阵列的PDMS（polydimethylsiloxane）微流控芯片耦合压电换能器产生500–2000 Hz超声频驻波场驱动悬浮单细胞可控3维旋转；分别采用共聚焦显微镜进行DiI膜标记荧光漂白恢复（Fluorescence Recovery After Photobleaching, FRAP）检测膜流动性，及宽场荧光显微镜检测稳定表达jGCaMP8s基因的细胞内Ca²⁺指示剂光漂白衰减（Calcium Ion Fluorescence Photobleaching, CFPB）；定义旋转诱导余辉增强（Rotation-Induced Afterglow Enhancement, RIAE，平面内旋转增强FRAP恢复信号）与旋转诱导光稳定性增强（Rotation-Induced Photostability Enhancement, RIPE，面外旋转减缓Ca²⁺探针光漂白）效应；扫描声学频率获取带通响应曲线以确定最优工作频点；提取时域动力学参数及快速傅里叶变换（Fast Fourier Transform, FFT）频域幅值谱特征，利用七种传统机器学习算法及ResNet卷积神经网络进行分类，并开发FlowMind自动化分析流程进行处理。

3.1. Acoustic rotation improves optical readouts in an Aβ-treated cell model

研究人员将Aβ寡聚体处理SH-SY5Y细胞模拟早期淀粉样应激，耦合声学诱导振动（Acoustic-Induced Vibration, AIV）系统使细胞在＜2000 Hz声波下旋转。发现CFPB半衰期与FRAP半恢复期随旋转频率呈先升后降的声学带通（acousto-bandpass）响应，选定各读数最优频点后，结合时空频特征经交叉验证，对照组与早期Aβ应激二分类准确率达99.0%，五阶段Aβ暴露时长分类准确率达94.8%。

3.2. Decoding weak membrane fluidity signals via rotation-induced afterglow enhancement

为克服静态FRAP低信噪比局限，研究人员施加平面内声学旋转进行FRAP检测（RIAE）。旋转使漂白区随细胞转动被均匀再标记，荧光恢复由局灶缓慢变为全膜快速均匀恢复。HEK293T与SH-SY5Y细胞中旋转分别使恢复幅值较静态对照增强约18.86倍与19.56倍，恢复速率提高，半恢复期缩短，表观扩散系数（apparent diffusion coefficient, D_app）上升，证实RIAE可有效放大微弱的膜流动性变化。

3.3. Acoustic frequency acting as a bandpass filter for selective kinetic modulation

研究人员测定HEK293T（均径~14.95 μm）与SH-SY5Y（均径~13.05 μm）细胞等效直径，仿真与实验均显示RIAE与RIPE效应呈频率依赖的带通曲线，峰值频率与细胞尺寸相关——RIAE（膜流动性）最优频窗中心HEK293T约1100 Hz、SH-SY5Y约1000 Hz；RIPE（Ca²⁺探针光稳定性）最优频窗中心HEK293T约1500 Hz、SH-SY5Y约1300 Hz，证明可通过声学频率划分复用选择性调制不同生物物理读数。

3.4. Morphology-based binary classification of Aβ 2 h-treated cells versus control

研究人员通过FlowMind管线提取旋转与静态条件下细胞面积、周长、偏心率、长短轴及圆度等形态参数。静态下对照组与Aβ 2 h组特征分布重叠严重，而声学旋转下分布出现系统性偏移，经PCA与k-means无监督聚类形成更紧密且分离良好的簇。ResNet分类显示FRAP旋转数据准确率可达~94%（静态~87%），CFPB旋转数据准确率由静态~60%提升至~87%，证明物理信号放大提高了细胞状态在特征空间的统计可分性。

3.5. Seven classifiers distinguish Aβ-treated cellular states using temporal features

研究人员从RIPE（5个时域特征：半衰期、最大衰减斜率、早段衰减率、尾段斜率、最小强度）与RIAE（5个时域特征：恢复速率、最大恢复斜率、早段恢复率、尾段斜率、最大强度）提取多维特征。七种算法基准测试显示声学旋转使CFPB与FRAP分类准确率普遍提升，平台期信噪比由1.87增至5.67（约3.03倍）。RIPE时域特征二分类（对照vs Aβ 2 h）Random Forest准确率达97.5%以上，五分类神经网络可分辨相邻暴露阶段；RIAE时域特征单独二分类仅~66%，表明Ca²⁺动力学时域特征对早期应激更具判别力。

3.6. High-accuracy classification from frequency-domain features

鉴于RIAE时域特征分辨力有限，研究人员对FRAP恢复轨迹做FFT转换提取频域幅值特征。频域特征热图显示五组Aβ暴露时长间有明显分层，而时域特征存在重叠。基于频域特征的二分类（对照vs Aβ 2 h）Logistic Regression准确率达99.0%（时域模型~62%）；五分类整体准确率达94.8%，混淆矩阵显示相邻阶段亦可正确指派。置换检验、单频bin诊断及训练—测试一致性验证排除过拟合与特征泄露，确认判别信息分布于多频谱区域。

讨论与结论总结

研究人员提出通过主动声学样品操控（而非被动减光）重塑样品受照区域，在不增加激发剂量前提下降低局部过曝与光漂白、增强弱荧光动力学读出。区别于以往声学旋转主要用于取向控制与3D形貌观察，本研究利用超低频声致旋转实现FRAP（平面内旋转—漂白期旋转、恢复期停转以获得高对比度恢复曲线）与CFPB（面外旋转—均布激发剂量延缓漂白）的差异化协议。声学带通放大现象为操作参数选择提供实用准则，峰值频率对细胞尺寸的依赖性允许针对不同细胞类型或类器官个性化调谐。结合时空频多维特征与机器学习，实现了单细胞水平正常与Aβ早期应激99.0%二分类及按暴露时长五阶段94.8%分类；其中FRAP频域特征单独即可达高判别力且无需病毒转导基因编码探针，便于原代样本拓展。研究采用"高灵敏度二分类初筛＋精细多类分期"的分层决策策略反映实际筛查流程。当前局限含通量低于商业化流式细胞术（定位为稀有亚群深度表型或高通量初筛后二次验证）、高度尺寸异质样本需主动调频或预富集、需在原代神经元/iPSC神经元/类器官及临床样本进一步验证。该物理放大偶联机器学习推断的框架可推广至其它机械敏感病理（如转移癌细胞膜软化、免疫突触细胞骨架硬化）活细胞瞬态功能量化。结论为：声学可调频带通旋转主动增强微弱单细胞功能信号（RIAE与RIPE），结合多维特征机器学习可对Aβ诱导细胞应激进行高精度二分类与多阶段分期，为临床前AD活细胞光学表型分析及广义活细胞瞬态功能状态定量提供了通用策略。