实现脑内多种神经化学物质的高时空分辨活体原位同步检测对解析神经元功能、细胞间信息交流，探索神经生理、病理机制具有重要意义。目前，已有多种分析方法用于活体脑内多种神经化学物质的检测。其中，电化学分析法因其具有时空分辨率高、电极界面可设计等特点，在活体分析领域展现出广阔的应用前景。然而，中枢神经系统化学环境复杂，不同神经化学分子电化学响应相互交叠干扰，为实现多种神经化学物质的同时分析带来巨大挑战。

在国家自然科学基金委、北京师范大学和中国科学院的大力支持下，化学学院脑化学研究实验室毛兰群课题组近年来一直致力于活体原位电化学分析方法的研究。前期，该团队从器件构筑（Angew. Chem. Int. Ed. 2020, 59, 22652-22658；Angew. Chem. Int. Ed. 2022, 61, e202204134）、电极界面设计（J. Am. Chem. Soc. 2020, 142, 19012-19016; J. Am. Chem. Soc. 2022, 144, 14678-14686）、生理兼容性（Nat. Commun. 2024, 15, 7915）等方面出发，发展了基于伏安法、安培法和原电池型氧化还原电位法的电化学传感器，实现活体脑内多巴胺、抗坏血酸、氧气、硫化氢等多种神经化学物质的实时监测。结合深度学习算法和快速扫描循环伏安法（fast-scan cyclic voltammetry, FSCV），该团队发展了一种基于深度学习的伏安传感平台，并实现了扩散性抑制过程中多巴胺（dopamine, DA）、抗坏血酸（ascorbic acid, AA）和离子强度的同时检测（Angew. Chem. Int. Ed. 2021, 60, 23777-23783）。

近期，课题组针对传统FSCV分析方法在高扫速条件下非法拉第过程造成背景电流漂移这一固有局限，提出并发展了一种化学信息驱动的生成式深度神经网络（chemistry-informed generative neural network, CIGNN）。他们首先发现由离子强度变化等原因导致的非法拉第响应与微电极微分电容密切相关并会在伏安扫描电位折返处产生电流突变。依据这一电化学原理，他们选取电位折返处的电流差值作为指示双电层电容变化的特征参数，构建了基于变分自编码器结构（variational autoencoder, VAE）的生成式神经网络模型，用以预测和生成FSCV数据中的非法拉第过程伏安响应，进而实现法拉第过程和非法拉第过程伏安响应的区分以及多种神经化学物质的同时定量分析。相较于传统的数据驱动深度学习算法，通过预测伏安图中的法拉第响应和非法拉第响应，CIGNN模型有效地减少了离子伏安响应对法拉第响应的干扰，能够以有限的数据实现高效的模型训练，并保证预测精度和泛化能力。利用CIGNN模型，他们还实现了神经炎症小鼠纹状体中DA、AA和离子强度刺激变化的同时检测。这一工作为探索活体脑内多种神经化学物质的动态变化、解析复杂神经活动的分子机制提供强有力的工具。

CIGNN模型的流程示意图

相关研究成果近日发表于Journal of the American Chemical Society期刊（J. Am. Chem. Soc. 2025, 147, 16804-16811），文章第一作者是2023级硕士研究生李淑欣和博士后薛亦飞，通讯作者为毛兰群教授，完成单位为北京师范大学化学学院。