图 1｜MEA-seqX 跨尺度神经研究框。

MEA-seqX 在同一脑组织样本中整合 3Barin 高分辨率微电极阵列电生理记录、空间转录组测序和组织成像数据 (a–d)。通过空间配准将不同模态数据映射到统一的组织坐标系中 (e)，并进一步通过多模态计算分析解析神经网络动力学、网络拓扑结构及细胞类型特征 (g)，从而建立神经活动与基因表达之间的跨尺度关联。

3Brain HD-MEA 记录海马–皮层脑片多区域神经网络活动
研究团队利用 3Brain 高分辨率微电极阵列平台对小鼠海马–皮层急性脑片进行大规模神经网络电生理记录，并行采集来自齿状回 (DG)、Hilus、CA3、CA1以及内嗅皮层 (EC) 等多个脑区的神经活动信号（图1a），构建具有空间坐标的神经网络活动图谱。随后，研究者从局部场电位LFP信号中提取多种网络活动特征，包括LFP 振幅 (amplitude)、事件频率 (rate)、信号传播延迟 (delay) 以及振荡能量 (energy)，用于描述海马网络的整体活动模式（图2a）。

研究团队随后将这些电生理特征与空间转录组数据进行比较分析。结果发现，在齿状回和 CA3 等关键海马区域，多种神经网络活动指标与局部基因表达模式之间存在显著空间关联（图2a）。在丰富环境 (enriched environment) 条件下，LFP 振幅和事件频率等指标与基因表达之间的对应关系进一步增强，说明环境经验能够同时影响神经网络活动与分子表达状态（图2a）。

除了量化神经网络活动强度，研究团队还对记录到的 LFP 波形形态进行分类。通过主成分分析结合聚类算法，研究者识别出不同海马层级中具有区域特征的振荡波形模式（图2b），揭示海马网络在空间上呈现出明显的功能分层。

研究者进一步在网络连接层面 (network connectivity) 分析电极之间的活动相关性 (pairwise firing correlation)，并据此构建海马网络的功能连接图谱。结果显示，在丰富环境条件下，海马网络的连接强度明显增强，跨区域神经活动同步程度更高（图2c）。基于 LFP 信号构建的相关矩阵也呈现出类似趋势，提示丰富环境条件下海马网络整体振荡的协调性明显提升（图2d）。

在此基础上，研究者进一步从网络拓扑结构 (network topology) 的角度分析海马网络。通过图论分析方法 (graph-theoretic analysis)，研究者识别出网络中的高度连接节点 (hub nodes) 以及由这些节点组成的“富集俱乐部” (rich-club) 结构。结果显示，在环境丰富化条件下，海马网络中出现更多高度连接的枢纽节点，并形成更明显的rich-club 组织，表明不同海马区域之间建立了更紧密的功能连接（图2e）。
 

图 2｜3Brain 高分辨率解析小鼠海马体-皮层神经网络活动

(a) 神经网络活动与基因表达之间的空间关联。横轴表示不同的神经网络活动特征（如 LFP 振幅、事件频率、传播延迟等），纵轴表示在空间转录组测序位点中 (SRT spot)，与这些电生理特征显著相关的基因表达模式数量。灰色表示标准饲养条件 (SD)，蓝色表示丰富环境条件 (ENR)。柱状体越高，说明该网络活动特征与更多基因表达存在空间关联。

(b) 不同海马区域的LFP波形模式。灰色曲线表示检测到的LFP振荡事件的单次波形，彩色曲线表示该类事件的平均波形。横轴为时间 (ms)，纵轴为电压幅度 (µV)。

(c) 神经元共放电构成的网络连接图。矩阵中的每个方格表示成对放电电极之间神经元放电spike活动的相关性 (Pearson correlation coefficient, PCC)。颜色越深表示电极之间成对放电活动 (pairwise firing) 的相关性越高，反映更强的神经网络连接。

(d) 海马不同脑区之间的 LFP 活动相关性。柱状图展示不同脑区对之间LFP 信号的相关性 (PCC)。柱状体越高表示两个脑区之间的神经活动同步性越强。

(e) 海马网络连接的拓扑结构分析。图中每个节点代表一个神经活动记录位置，连线表示两个节点之间存在显著的神经活动相关性。为便于展示整体网络结构，仅显示约 2% 的连接关系（SD：node = 1057，links = 24217；ENR：node = 2003，links = 36312）。节点大小根据其连接度 (degree) 进行缩放，即该节点与其他节点建立连接的数量；节点越大表示其与更多节点存在功能连接。不同颜色表示节点所属的海马区域，彩色连线表示区域内或区域之间的功能连接。中间的圆形图展示网络中的关键节点结构，其中 hub nodes 表示具有较高连接度的节点，rich-club 表示这些高连接节点之间形成的高度互联结构。左侧为标准饲养条件 (SD)，右侧为丰富环境 (ENR)。

机器学习进一步解析神经网络动力学
在使用 3Brain HD-MEA 获得大规模电生理数据后，研究团队进一步通过计算分析与机器学习方法解析神经网络的多尺度结构。首先，研究者采用非负矩阵分解 (Non-negative Matrix Factorization, NMF) 将复杂的网络活动拆解为多个具有特定空间分布和时间特征的网络模块 (network modules)，从而识别不同海马亚区之间的功能子网络结构（图3a）。

在此基础上，研究者进一步分析神经活动在脑片中的传播动态。通过计算神经活动传播轨迹中心 (center of activity trajectory, CAT)，可以追踪神经网络活动在不同海马区域之间的传播方向，从而描绘海马网络中的信息传播路径（图3b）。

随后，研究团队利用机器学习算法 XGBoost (Chen & Guestrin, 2016) 探索基因表达与神经网络活动之间的预测关系。模型根据空间转录组数据预测多个关键电生理指标，例如LFP 事件频率、振幅以及信号传播延迟（原文附图8）。预测结果与实际电生理测量值之间表现出较高一致性 (Pearson r ≈ 0.9)，说明神经网络活动特征在很大程度上可以由基因表达模式进行预测。

图 3｜机器学习解析神经网络动力学

(a) 神经网络活动与基因表达之间的空间关联分布。图中展示在不同海马区域中，神经网络活动特征 (LFP 事件频率) 与多种神经功能相关基因表达之间的对应关系。每一列代表一个基因，每一行代表一个空间位置。颜色越深，表示该位置的神经网络活动与该基因表达之间的关联越强。上图为标准饲养条件 (SD)，下图为丰富环境条件 (ENR)。

(b) 非负矩阵分解识别的神经网络–基因表达关联模块。研究者利用非负矩阵分解 (NMF) 将复杂的电生理特征与基因表达数据拆解为多个潜在因子 (NMF factors)。图中每个小图对应一个因子，曲线表示该因子在不同网络活动特征中的贡献权重。不同颜色表示该因子中贡献最大的代表基因。

3D HD-MEA脑片电生理与多模态分析实验流程
为系统研究神经网络活动与基因表达之间的关系，研究团队结合 3Brain HD-MEA 电生理记录与空间转录组测序，构建跨尺度神经网络功能图谱。整体实验流程如下 (具体 workflow 详见原文附图 1）。

01. 脑片制备与接种
小鼠海马–皮层急性脑片（厚度约 300 μm）在氧合的人工脑脊液中制备，并在 34 °C 条件下孵育约 45 分钟恢复组织活性，随后在室温下继续恢复至少1 小时后用于电生理记录。记录过程中持续灌流氧合的记录液（95% O₂ / 5% CO₂），以维持稳定的离子环境和组织活性。

在记录过程中，脑片通过铂金固定框 (platinum harp) 稳定放置于 3Brain 高分辨率微电极阵列芯片表面，并在恒温灌流系统中进行记录。灌流速率约为4.5 mL min⁻¹，记录温度维持在 37 °C，以保证脑片在长时间实验过程中的稳定性。

02. HD‑MEA 神经网络电生理数据采集
在该系统中，芯片集成的放大电路提供 0.1–5 kHz 带通滤波，并具有 60 dB 的全局增益 (global gain)，可同时记录慢速与快速神经振荡信号。细胞外电信号以 14 kHz / 电极的采样率进行采集，每次实验持续10 分钟，连续记录脑片中的细胞外电活动。

基于这些连续记录的数据，研究者以 1 Hz 的时间分辨率提取神经网络活动事件，即按每秒一次的时间尺度对网络活动进行统计与分析。为增强网络活动的兴奋强度，在记录液中加入100 μM 4AP以诱导网络振荡活动。

此外，系统集成了一套定制模块化立体显微镜，在电生理记录后对同一脑片进行光学成像。随后通过 3Brain 配套软件 BrainWave 将图像与电极阵列数据进行叠加 (merge)，从而建立脑片组织结构与 HD-MEA 电极布局之间的空间对应关系，实现神经活动与脑区结构的精确对齐。

03. 神经网络振荡信号提取与波形分类
获得原始电生理信号后，研究者首先从宽带细胞外记录中提取局部场电位LFP。随后通过硬阈值检测算法 (hard threshold algorithm) 识别网络振荡事件，并使用四阶Butterworth 低通滤波器（一种常见的信号处理方法，用于保留低频信号并去除高频噪声）在 1–100 Hz 频段对信号进行滤波，以提取反映神经网络群体活动的 LFP 振荡信号。在此基础上，对神经网络活动的多个特征进行量化分析，包括LFP 事件发生频率、振荡振幅、振荡能量、神经信号传播延迟以及振荡峰值数量，用于描述海马网络在不同空间位置的活动模式。

为了进一步比较不同脑区之间的振荡特征，研究者对记录到的 LFP 波形进行模式分类分析。具体而言，通过主成分分析 (principal component analysis, PCA) 提取波形的主要特征，再结合 K-means 聚类算法对振荡波形进行分组，从而识别不同海马结构层级中具有代表性的振荡模式及其空间分布。

04. 电生理特征与空间转录组数据整合分析
为分析神经网络活动与基因表达模式之间的关系，研究者将提取的电生理网络特征与同一脑片获得的空间转录组数据进行整合分析。首先，通过 Spearman 相关分析评估不同空间位置的基因表达模式与神经网络活动特征之间的关联程度，以量化转录组表达谱系与电生理活动之间的空间对应关系。

在此基础上，进一步利用 XGBoost 机器学习模型对神经网络电生理特征进行预测分析 (Chen & Guestrin, 2016)。模型以约 70% 的空间转录组数据作为训练集，用于学习基因表达模式与神经网络活动之间的关系，并以剩余数据进行预测评估。预测的网络活动指标包括LFP事件频率、振荡振幅以及神经信号传播延迟等特征，用于分析转录组表达模式与神经网络动力学之间的多尺度关联。