本文轉自【雷鋒網】；

動物實驗何時能被取代？帶著這一問題，科學家們嘗試了很多替代動物實驗的方案，比如開發新演算法、三維體外模型、利用魚胚胎（魚胚胎不屬於動物）進行毒性測試甚至是採用頗具爭議的人體實驗。

實際上，美國勞倫斯利弗莫爾國家實驗室（Lawrence Livermore National Laboratory，LLNL）也做了一項努力——開發一款 3D 晶片大腦（brain-on-a-chip），捕獲體外培養活體腦細胞的神經活動。不僅如此，他們還在這款三維晶片大腦基礎上建模，方便對體外腦晶片上形成的神經元網路進行分析。

很明顯，這是替代動物實驗的一個好方法，研究人員也表示：體外模擬人腦實現了重大進展。

三維晶片大腦

2020 年初，勞倫斯利弗莫爾國家實驗室的研究成果發表於專注於生物技術、微量化學、奈米技術的學術期刊 Lab on a chip 上，論文題為 A flexible 3-dimensional microelectrode array for in vitro brain models（一種用於體外腦模型的柔性三維微電極陣列）。

為什麼是三維，不是二維？

目前而言，神經動作電位的電生理記錄一般要透過二維微電極陣列（multi-electrode array，MEA），這是一種既常見又可信的評估神經功能、網路通訊、生化製劑反應的方法。相比之下，三維體外神經元網路用於測量電生理活動的情況較少。

不過，“三維體外模型”是一種研究細胞-細胞、細胞-細胞外基質相互作用的系統。想研究這之間的相互作用，就要利用組織環境中的空間、機械、化學線索，而這在傳統的二維模型中是行不通的。

可以說，

三維模型是超越二維晶片腦平臺的重要一步

，因為在三維模型中，科學家們能夠更為全面地複製人腦的生理功能，也能更好地瞭解大腦的功能和那些對大腦產生刺激等影響的化學物質。

三維柔性微電極陣列

基於此，研究團隊開發了一種三維晶片大腦（brain-on-a-chip），即一種三維柔性微電極陣列（3DMEA），旨在實現效能、便捷性以及與現有商業電生理儀器的相容性。

3DMEA 可容納 256 通道的記錄或刺激，記錄動作電位峰值和脈衝活動的時間至少達到 45 天，支援數十萬人類神經元生長。3DMEA 包含三組陣列，每個陣列中有 80 個電極分佈在 10 個柔性聚合物探針上，研究人員一次可進行三個獨立實驗，同時監視不同位置的神經活動。

3DMEA 大致的製作過程是：在玻璃基板上精密加工聚醯亞胺（Polyimide，綜合性能最佳的有機高分子材料之一）探針陣列，先利用機械驅動的方式將陣列整體提升到垂直位置，再依靠座鉸的塑性變形保持垂直對齊。

無創監測神經元電生理活性

為證明 3DMEA 的實用性，研究人員將由人誘導多能幹細胞（hiPSC）衍生的神經元和星形膠質細胞（astrocytes）作為培養物包裹在基於膠原的水凝膠中，並接種到 3DMEA 上，使懸浮細胞在基質中得到培養。

大約 2 周後，神經元網路生長併成熟，研究人員能夠以半小時為增量，記錄 3DMEA 中細胞的電生理活性，為每個細胞建立獨一無二的高解析度電極位置圖。

不難看出，3DMEA 平臺建立的意義在於無創監測人類三維神經元培養物的電生理活性。研究人員表示：

從 3DMEA 獲得的資料可以為科學研究提供資訊。在不需要動物模型的情況下，可為暴露於化學生物製劑、模擬疾病感染、評估環境毒性或研發藥物的研究人員制定對策。同時，我們致力於在 3DMEA 上覆制人體系統，希望未來研發的裝置更適用於人類，甚至取代動物測試。

建立時間隨機塊模型

幾個月後，在 3DMEA 的基礎之上，勞倫斯利弗莫爾國家實驗室的科學家們又開發了一種對在 3DMEA 上逐漸生長、成熟的神經元群落的活動和結構建模的方法，旨在幫助廣大科研人員攻克影響大腦的毒素或疾病（如癲癇病）。

簡單來講，研究團隊開發了一種統計模型，專用於分析在體外腦晶片上植入的腦細胞形成的神經元網路。

其實現過程為：首先透過 3DMEA 捕獲、收集神經元網路在交流時產生的電訊號，然後將資料作為教學工具，將圖論中標準的隨機塊模型（SBM，複雜網路群體結構建模的重要工具）與一個包含機器學習元件的高斯過程（Gaussian Process， GP）機率模型相結合，時間隨機塊模型（T-SBM）得以建立。

相比以前的方法，T-SBM 的獨特之處就在於對神經元生長的時間動態建模。藉助這一方法，研究人員可以瞭解神經群落的結構、進化方式以及在不同實驗條件下結構的變化方式。

T-SBM 已被用於三個資料集——培養複雜性、細胞外基質（ECM，生長在細胞表面的蛋白質）和來自大腦不同區域的神經元。

就拿第一個資料集的實驗結果來講，研究人員檢視對比了：

僅包含神經元細胞的培養物的資料；以及

將神經元與其他型別腦細胞混合的培養物的資料。

研究人員發現，後者更接近真實的人腦資料。所以結論是：在包含其他細胞型別的環境中生成的神經元網路更復雜，隨時間的推移它也會更加複雜。

實際上，這一結果也正是研究人員預測之中的，不難看出 T-SBM

能夠準確地捕獲神經元網路隨時間變化而產生的差

異。

關於 LLNL

正如前文所述，3DMEA 平臺和 T-SBM 模型的設計出自美國勞倫斯利弗莫爾國家實驗室（LLNL）。

作為美國著名國家實驗室之一的 LLNL 隸屬於美國能源部國家核安全域性（NNSA），1952 年（冷戰白熱化階段）由諾獎得主、加州大學伯克利分校物理學教授 Ernest Orlando Lawrence 和氫彈之父、理論物理學家 Edward Teller 共同建立。

在 LLNL 官網可以看到，其主要責任是研發包括核武器在內的美國國防科技，確保美國核力量的安全和可靠性。然而 LLNL 的任務不限於此，從核擴散、恐怖主義到能源短缺、氣候變化等，都屬於 LLNL 的關注領域。

在 LLNL 眾多的科研碩果之中，最為出名的便是 6 種化學元素（113-118 號）的發現。

2012 年，LLNL 還曾與 IBM 宣佈共同創辦名為 Deep Computing Solutions 的公司，旨在為企業提供高效能的計算能力。