【研究进展】植入式多模态水凝胶生物电子用于心脏疾病诊疗

研究背景

心血管疾病（CVDs）是当前全球亟需关注的重大健康威胁，其中急性心肌梗死（MI）因其发病急骤、并发症高发以及死亡率高而尤为严重。现有的诊断与治疗手段仍无法同时实现对心脏代谢功能及机电功能的精准映射与精细调控，这在一定程度上制约了心脏病理生理研究、术后监测及临床治疗策略的发展。尽管近期微/纳米制造技术的进步使多电极阵列（MEAs）能够实现心外膜电生理的时空映射，但其固有的刚性可能导致组织损伤、血栓形成、心律失常及器件失效。鉴于结构和功能的相似性，由导电聚合物水凝胶（CPHs）制备的生物电子器件能够实现柔性机械耦合，并与生物体建立高效的双向电学接口。然而，目前基于CPHs的器件在提供全面多模态生理监测及治疗干预方面仍存在不足。

论文概要

2026年3月，华南理工大学吴凯教授团队联合南方科技大学刘吉教授、江西科技师范大学卢宝阳教授等团队，在国际期刊《Advanced Functional Materials》发表最新研究成果，论文题为：“Multimodal Hydrogel Bioelectronics for Closed-loop Diagnosis and Treatment of Cardiac Diseases”。在本研究中，我们设计并制备了一种多模态水凝胶多电极阵列（MHMEA），可通过原位自感应、心外膜电生理映射及电刺激实现心脏疾病的精确诊断与闭环治疗。该MHMEA可通过集成多材料3D打印工艺进行定制化制造，其结构包括：(i) 用于与心脏心外膜实现无缝整合的水凝胶粘附层；(ii) 具备应变感知、电生理记录及电刺激功能的导电聚合物水凝胶（CPHs）电极阵列；以及 (iii) 用于保护性封装的绝缘水凝胶。该MHMEA能够与动态跳动的心脏实现机械顺应性和可靠界面，从而实现心肌应变与心外膜电生理的原位、高精度时空同步映射。通过精准定位心脏组织中的病变区域，并辅以针对性的电刺激治疗，实现心脏疾病的闭环诊断与治疗。江西科技师范大学卢宝阳教授、薛羽教授、南方科技大学刘吉教授与华南理工大学生物医学科学与工程学院吴凯教授为共同通讯作者，华南理工大学博士生王福成为论文第一作者。

图1. 多模态水凝胶电子器件设计

结果分析

该团队开发了一种由导电聚合物PEDOT:PSS与其他生物医用高分子（如：羟乙基纤维素、壳聚糖等）以及具有生物粘附功能的聚丙烯酸类高分子组成的生物墨水，实现了此类生物墨水的高精度3D打印，制备出具有高分辨率和复杂精细结构的生物电子（图2）。MHMEA在弯曲、折叠和拉伸等多种条件下保持结构完整，功能层与基底/封装层之间的界面韧性超过100 J m^-²，剪切强度超过100 kPa。这类生物电子具有与生物组织相近的模量，灵敏的应变传感性能以及与生物组织快速且高韧性的生物粘附（界面韧性超过100 J m^-2），如此优异的粘附性能确保了生物电子与体内动态器官的稳定电学交互。

图2. 多模态水凝胶电子器件设计

鉴于某些严重心脏疾病（如心肌梗死）可能发生在心脏表面，原位心脏生理监测对于心脏疾病的精确诊断和有效治疗具有极其重要的意义。多模态生物电子技术能够同时实现监测与治疗干预，从而显著提升心脏病理管理的能力将MHMEA进一步成功植入大鼠心脏表面，并通过高效生物粘附与心脏组织实现无缝整合（图3a）。器件内八个独立通道可清晰记录心房激动（P波）、心室激动（QRS波群）及心室舒张（T波）电生理信号，MHMEA还可同步监测心肌应变信号，并与心电图波形高度对应，实现心率的精准映射（图3b），呈现心脏激活的方向和节律。MHMEA在心肌梗死（MI）和左心室肥厚（LVH）模型中实现高精度应变监测，并生成时空映射图（图3c），提供了高空间分辨率的实时监测和靶向电刺激治疗能力，研究发现，梗死区域应变幅度仅约2%，远低于正常心脏（约15%）和LVH心脏（约8%），梗死区域纤维化显著削弱了心肌的收缩能力。采用靶向电刺激调节异常心脏活动（图3d），实现心脏病病变区域的精确监测与干预，可为心脏疾病的精准诊断和个性化治疗提供有力工具。

图3. MHMEA用于体内电生理记录及电调控治疗

结论与讨论

本研究利用多材料3D打印技术构建了多模态水凝胶多电极阵列（MHMEA），赋予其与生物组织相近的力学模量及优异的自感应性能，同时能够与动态生物组织和器官实现无缝界面。通过将记录、感测及刺激等多种功能集成于同一可植入生物电子器件中。MHMEA可在健康及病理大鼠模型中同步进行心肌应变和心外膜电生理的高精度时空映射，并对病变区域实施有效电刺激治疗。这一技术不仅推动了植入式生物电子的发展，也为通过组织-器件协同实现个性化心脏疾病管理开辟了新的技术途径。

课题组前期相关论文：

[1] Wu F, Zhu B, et al. The Brain-Gut Health Initiative (BIGHI): A Prospective Cohort on Psychiatric Disorders in China[J]. Research, 2026.

[2] Yunheng Diao, Yuanyuan Huang, Baoyuan Zhu, Minxin Guo, Wei Wang, Zhaobo Li, Wenhao Li, Heng Zhang, Jing Zhou, Xiaobo Li, et al. Heterogeneity-Aware, Multiscale Annotation of Shared and Specific Neurobiological Signatures among Major Neurodevelopmental Disorders. Research. 0:DOI:10.34133/research.1115.

[3] Guo M, Zhang H, Huang Y, et al. Transcriptional patterns of nodal entropy abnormalities in major depressive disorder patients with and without suicidal ideation. Research. 0:DOI:10.34133/research.0659.

[4] Peng R, Wang W, Liang L, et al. The brain-gut microbiota network （BGMN） is correlated with symptom severity and neurocognition in patients with schizophrenia. Neuroimage. 2025;308:121052. doi:10.1016/j.neuroimage.2025.121052.

[5] Wang H, Peng R, Huang Y, et al. MO-GCN: A multi-omics graph convolutional network for discriminative analysis of schizophrenia. Brain Res Bull. 2025. doi:10.1016/j.brainresbull.2025.111199.

[6] Feng S, Huang Y, Lu H, et al. Association between degree centrality and neurocognitive impairments in patients with Schizophrenia: A Longitudinal rs-fMRI Study. J Psychiatr Res. 2024;173:115-123. doi:10.1016/j.jpsychires.2024.03.007.

[7] Li H, Huang Y, Liang L, et al. The relationship between the gut microbiota and oxidative stress in the cognitive function of schizophrenia: A pilot study in China. Schizophr Res. 2024;267:444-450. doi:10.1016/j.schres.2024.03.053.

[8] Liang L, Li S, Huang Y, et al. Relationships among the gut microbiome, brain networks, and symptom severity in schizophrenia patients: A mediation analysis. Neuroimage Clin. 2024;41:103567. doi:10.1016/j.nicl.2024.103567.

[9] Li H, Li H, Zhu Z, et al. Association of serum homocysteine levels with intestinal flora and cognitive function in schizophrenia. J Psychiatr Res. 2023;159:258-265. doi:10.1016/j.jpsychires.2023.01.045.

[10] Zhu B, Liang L, Huang Y, et al. Exploring the relationship between the gut microbiota and cognitive function in schizophrenia patients with distinct weights[J]. Schizophrenia Research, 2025, 280: 103-113.

[11] Wang Y, Feng S, Huang Y, et al. Revealing multiple biological subtypes of schizophrenia through a data-driven approach[J]. Journal of Translational Medicine, 2025, 23(1): 505.

[12] Li W, Gao C, Li Z, et al. BrainFusion: a Low‐Code, Reproducible, and Deployable Software Framework for Multimodal Brain‒Computer Interface and Brain‒Body Interaction Research[J]. Advanced Science, 2025: e17408.