Abstract Simultaneously recording network activity and ultrastructural changes of the synapse is essential for advancing our understanding of the basis of neuronal functions. However, the rapid millisecond-scale fluctuations in neuronal activity and the subtle sub-diffraction resolution changes of synaptic morphology pose significant challenges to this endeavour. Here, we use graphene microelectrode arrays (G-MEAs) to address these challenges, as they are compatible with high spatial resolution imaging across various scales as well as high temporal resolution electrophysiological recordings. Furthermore, alongside G-MEAs, we deploy an easy-to-implement machine learning-based algorithm to efficiently process the large datasets collected from MEA recordings. We demonstrate that the combined use of G-MEAs, machine learning (ML)-based spike analysis, and four-dimensional (4D) structured illumination microscopy (SIM) enables the monitoring of the impact of disease progression on hippocampal neurons which have been treated with an intracellular cholesterol transport inhibitor mimicking Niemann-Pick disease type C (NPC) and show that synaptic boutons, compared to untreated controls, significantly increase in size, which leads to a loss in neuronal signalling capacity.

Abstract Extracellular recordings of neuronal activity constitute a powerful tool for investigating the intricate dynamics of neural networks and the activity of individual neurons. Microelectrode arrays (MEAs) allow for recordings with a high electrode count, ranging from 10s to 1000s, generating extensive datasets of neuronal information. Furthermore, MEAs capture extracellular field potentials from cultured cells, resulting in highly complex neuronal signals that necessitate precise spike sorting for meaningful data extraction. Nevertheless, conventional spike sorting methods face limitations in recognising diverse spike shapes, thereby constraining the full utilisation of the rich dataset acquired from MEA recordings. To overcome these limitations, we have developed a machine learning algorithm, named PseudoSort , which employs advanced self-supervised learning techniques, a distinctive density-based pseudo-labelling strategy, and an iterative fine-tuning process to enhance spike sorting accuracy. Through extensive benchmarking on large-scale simulated datasets, we demonstrate the superior performance of PseudoSort compared to recently developed machine learning-based (ML) spike sorting algorithms. We showcase the practical application of PseudoSort by utilising MEA recordings from hippocampal neurons exposed to subneuronal concentrations of monomeric Tau, a protein associated with Alzheimer’s disease (AD). Our results, validated against patch clamp experiments, unveil that monomeric Tau at subneuronal concentrations induces stimulation-dependent disruptions in both local and global activity of hippocampal neurons. Remarkably, patch clamp electrophysiology highlights the effect of combined Tau and neuronal stimulation treatment on excitatory postsynaptic currents, whereas PseudoSort excels in identifying neuronal clusters that exhibit diminished firing capacity following Tau treatment alone, i . e ., in the absence of stimulation. This comprehensive approach validates the prowess of PseudoSort and unravels the intricate effects of Tau on neuronal activity, particularly in the context of AD.

Abstract Open scientific competitions have successfully driven biomedical advances but remain underutilized in aging research, where biological complexity and heterogeneity require methodological innovations. Here, we present the results from Phase I of the Biomarkers of Aging Challenge, an open competition designed to drive innovation in aging biomarker development and validation. The challenge leverages a unique DNA methylation dataset and aging outcomes from 500 individuals, aged 18 to 99. Participants are asked to develop novel models to predict chronological age, mortality, and multi-morbidity. Results from the chronological age prediction phase show important advances in biomarker accuracy and innovation compared to existing models. The winning models feature improved predictive power and employ advanced machine learning techniques, innovative data preprocessing, and the integration of biological knowledge. These approaches have led to the identification of novel age-associated methylation sites and patterns. This challenge establishes a paradigm for collaborative aging biomarker development, potentially accelerating the discovery of clinically relevant predictors of aging-related outcomes. This supports personalized medicine, clinical trial design, and the broader field of geroscience, paving the way for more targeted and effective longevity interventions.