神经元分类的创新融合：基于人类和小鼠电生理数据的共同信息

科学界长期以来对神经元分类面临巨大挑战。准确分类神经元对于理解大脑在健康和疾病状态下的功能至关重要。这篇由Bar-Ilan University的Ofek Ophir、Orit Shefi与Ofir Lindenbaum引领的研究在《Neuroinformatics》期刊上发表，提出了一种全新的机器学习框架，通过联合使用来自人类和小鼠的电生理数据来对神经元进行分类。

研究背景

神经元是神经系统的基本单元，其分类自Ramon y Cajal在1995年发表《人和脊椎动物神经系统的组织学》以来，一直是神经科学的核心问题。分类神经元有助于在不同实验室和实验条件下的一致识别，这对于理解大脑功能及其在健康和病态状态下的变化至关重要。

研究来源

这篇文章的研究由Bar-Ilan University的工程学院和Leslie & Susan Gonda多学科脑研究中心（以色列Ramat-Gan）进行。文章于2024年6月10日被接受，并在《Neuroinformatics》期刊上发布，DOI链接为：https://doi.org/10.1007/s12021-024-09675-5。

研究流程

数据来源

研究数据主要来自Allen Cell Types Database（ACTD），该数据库包含来自成人小鼠和人类的单细胞记录的生物特征数据。其中，小鼠数据包含1920个细胞的记录，而人类数据包括413个细胞的记录。

数据预处理

通过电生理特征的提取，研究团队利用41个电生理表格特征进行分析。数据记录包括四种刺激条件：噪声刺激、斜坡刺激、长方形刺激和短方形刺激，这些刺激条件分别设计用于激发不同类型的动作电位（AP）反应。

研究任务

研究分为两个主要任务：

1. 分类人类和小鼠的广泛神经元类型（兴奋性与抑制性）
2. 利用小鼠的电生理数据分类其神经元子类型

分类模型

研究采用了两种神经网络模型： - 基于域自适应的深度神经网络（Domain-Adaptive Neural Network, DANN） - 本地稀疏可解释神经网络（Locally Sparse Interpretable Network, LSPIN）

DANN模型的域自适应分类

为了弥补人类数据样本的稀缺性，研究团队使用了DANN模型，将小鼠数据的共同信息嵌入到人类数据中。通过对两种域的数据分布进行对齐，实现跨域分类。

LSPIN模型的多标签分类

鉴于小鼠样本的丰富性，研究团队使用LSPIN模型来处理五个子类型的分类问题。这种方法克服了低样本量数据的过拟合问题，并通过预测每个样本最具信息性的特征实现解释性分类。

研究结果

任务一：人类和小鼠神经元的广泛类型分类

通过DANN模型，研究证明小鼠脑中的全细胞电流钳记录与人类脑中的记录相似。该模型在分类人类和小鼠神经元类型方面表现出高度准确性，人类样本的准确率达95.0%，小鼠样本的准确率则达到了97.4%。

任务二：小鼠神经元子类型分类

利用LSPIN模型，研究在对五个子类型的分类中取得了罕见的高准确度，达到了91.6%的准确度，高于传统的机器学习模型如随机森林（RF）、支持向量分类器（SVC）和XGBoost。此外，模型也提供了每个子类别中特征选择的可解释性。

研究意义

科学价值

该研究使用了跨物种的数据融合方法，提高了神经元分类的准确性，有助于深入理解神经元的电生理特征。这种方法可以用于实时临床应用，为疾病早期诊断和治疗方案的制定提供依据。

实用价值

DANN模型有效解决了神经元分类中的域转换问题，使得模型能够泛化到不同的生物体之间，同时保持高准确性。LSPIN模型则通过特征选择减少了过拟合，提升了分类的可解释性，这对于在临床环境中的应用尤为重要。

研究亮点

• 跨域分类：通过融合人类和小鼠的数据，解决了数据稀缺和域转换问题。
• 模型的解释性：LSPIN模型不仅提供了高准确度的分类结果，还揭示了特征的重要性，为生物特征的研究提供了新的思路。

未来研究展望

未来的研究可以考虑： 1. 扩大分类的物种范围，探讨不同类型神经元在进化上的保守性。 2. 在无监督的模式下应用DANN方法，进一步提高对人类神经元数据的分类准确性。 3. 评估模型的泛化能力，验证其在不同实验室和实验条件下的适用性。 4. 深入解析每种神经元类型的生物学特性，增加模型预测的可解释性。

结语

这项研究在神经元分类方法上提供了新的见解，通过DANN和LSPIN模型，展示了跨物种数据融合和特征选择的重要性。研究结果不仅有助于提升科学理解，也为实际应用提供了可靠的工具。