撰稿 / 許芷辰(科學推展中心特約編輯)
創傷或是疾病所引起的周邊神經系統(Peripheral Nervous System, PNS)損傷是相當嚴重且複雜的狀況，必須透過神經元及神經膠細胞再生進行修復，其中已知低頻電刺激可促進其共同生長，然而背後機制及電刺激條件設定卻如謎團般有待釐清。國立中興大學化學系賴秉杉教授、國立清華大學醫環系李亦淇副教授與逢甲大學化工系李亦宸副教授及其團隊開發結合AI人工智慧及大數據演算，建立細胞層級的臨床前預測模型，可根據輸入的一組生物界面與電刺激參數，準確預測神經細胞活性！
每年都有數千起周邊神經系統損傷的病歷，掌管感覺與運動神經訊號傳遞的周邊神經系統一旦受損，就會使得病患無法順利接收外界訊號或控制肌肉組織，導致日常生活大受影響。文獻與臨床證據表明，透過低頻電刺激可以有效誘導神經元軸突(axon)和周邊神經膠細胞的再生。然而目前的臨床治療中，周邊神經系統的再生與修復工作仍是一大挑戰，且再生過程的機制與成效不可預測。
賴秉杉教授與其研究團隊所開發的「機器智慧學習細胞晶片整合平台」，搭配AI人工智慧技術並整合生醫數據，利用大數據建立模型以預測周邊神經系統修復的成效。該平台能協助使用者快速評估生醫材料介面、電刺激效應等參數，並預測其對周邊神經系統中許旺細胞（Schwann cell）活性的影響。這項突破性的研究成果發表於《美國化學學會應用材料與界面》（ACS Applied Materials＆Interfaces）期刊2023年9月號。
為了給定電刺激並固定許旺細胞，研究團隊首先將pc -MXene (L-α-phosphatidylcholine-Grafted MXene)奈米片分散到 GelMA 溶液中，然後進行紫外線交叉鏈接(UV cross-linking)，開發了一種具有高度生物相容性導電水凝膠(hydrogel)生物界面，如圖1。GelMA 是一種可光交叉鏈接(photo-crosslinkable)的生物聚合物，具有高生物相容性和可調節的機械性能，類似於天然組織。
圖 1、pc -MXene與GelMA 溶液進行紫外線交聯(UV cross-linking)，形成導電水凝膠生物界面。
為了加強許旺細胞黏附於該水凝膠上，接著將層黏連蛋白衍生胜肽(laminin-derived peptide，為圖2綠色部分) 溶液以不同面積負載沉積在pc -MXene/GelMA 水凝膠上。這種具有胜肽(peptide)塗層的pc -MXene/GelMA水凝膠被用作傳導生物界面來培養許旺細胞，並透過在水凝膠兩側放置兩個銅電極以指定的電壓和脈衝頻率引入各種電刺激，誘導許旺細胞生長、黏附或遷移。最後，在每次電刺激後利用CCK-8細胞活性測定法測定許旺細胞的活性。
圖 2、具有胜肽塗層的pc -MXene/GelMA水凝膠被用作傳導生物界面來培養許旺細胞，以測定其活性。
各種製造參數和電刺激，包括pc -MXene及胜肽的負載量、施加電壓和刺激頻率，已被證明會影響許旺細胞的活性。但是這些參數與許旺細胞活性之間的相關性仍然難以被解析與公式化。不只如此，若要收取全部組合的數據則需耗費上千次實驗，以建立一個涵蓋四種參數和許旺細胞活性的綜合資料庫。但考量到資源與時間有限，進行如此大量的實驗並不合乎效益。因此，研究團隊結合人工神經網路 (artificial neural network, ANN)，建立AI人工智慧模型以預測許旺細胞活性，模型預測結果如圖3。
圖 3、透過 ANN 模型準確預測許旺細胞活性。
為了解釋ANN 模型的預測結果，研究團隊另使用Spearman等級相關係數（Spearman’s rank correlation coefficients, Spearman ρ）統計評估pc -MXene 負載及胜肽負載量、施加電壓和刺激頻率對許旺細胞活性的非線性相關性，同時計算p值來評估是否有顯著相關性。如果 Spearman’s ρ (|Spearman’s ρ|) 的絕對值較高且p值 ≤ 0.01，則可以確認強相關性。如圖4，可計算出pc -MXene負載量、施加電壓和刺激頻率，與許旺細胞活性呈顯著負相關，而胜肽負載量對許旺細胞活性呈正面影響（無顯著差異）。
圖 4、計算Spearman ρ以確認參數對許旺細胞活性的非線性相關性。
除此之外，研究團隊還採用SHAP模型來揭示四個參數與許旺細胞活性之間的潛在相關性。SHAP是一種用於解釋AI/ML模型結果的方法，利用計算SHAP值以近似每個參數對許旺細胞活性的貢獻。如圖5，許旺細胞活性共同因施加電壓、pc -MXene 負載量和刺激頻率而降低。另外，雖然胜肽負載量的增加增強了許旺細胞活性，但胜肽負載量的SHAP值較窄，顯示影響相對較小。
圖 5、計算SHAP值以確認參數對許旺細胞活性的貢獻程度。
由上述實驗結果可了解，賴教授團隊克服了傳統方法中常見的過擬合問題，使用機器學習模型用於預測跨多自由度維度（約 120,000 種條件）的許旺細胞活性。值得一提的是，該研究中也提出了一種涉及導電水凝膠生物界面、AI/ML 演算法和 SHAP 模型解釋，為在細胞層面建立臨床前預測模型提供了一種非常規方法。未來，該方法可以擴展到其他細胞類型和實驗條件，提供一個多功能平台。
參考文獻
[1] Tsai-Chun Chung, Ya-Hsin Hsu, Tianle Chen, Yang Li, Haochen Yang, Jin-Xiu Yu, I-Chi Lee, Ping-Shan Lai, Yi-Chen Ethan Li, and Po-Yen Chen. Machine Learning Integrated Workflow for Predicting Schwann Cell Viability on Conductive MXene Biointerfaces. ACS Appl. Mater. Interfaces 2023, 15, 39, 46460–46469. DOI: 10.1021/acsami.3c08070.
