Una estrategia de aprendizaje profundo para identificar tipos de células entre especies a partir de registros...

Área de la Ciencia:

• La neurociencia
• Neurociencia computacional
• La neurociencia celular

Sus antecedentes:

• Las sondas de alta densidad permiten grabaciones electrofisiológicas simultáneas de numerosas neuronas a través de circuitos cerebrales.
• Sin embargo, estas sondas no identifican inherentemente el tipo de célula de las neuronas registradas.
• Distinguir los tipos de células es crucial para comprender sus funciones computacionales específicas.

Objetivo del estudio:

• Desarrollar una estrategia para identificar los tipos de células neuronales de las grabaciones extracelulares en animales despiertos.
• Para revelar las funciones computacionales de las neuronas con distintas propiedades funcionales, moleculares y anatómicas.
• Aprovechar la optogenética y la farmacología para crear un conjunto de datos de verdad para entrenar modelos de aprendizaje automático.

Principales métodos:

• Optogenética combinada y farmacología en el cerebelo para generar una biblioteca de verdad fundamental de propiedades electrofisiológicas para tipos específicos de células (células de Purkinje, interneuronas de capa molecular, células de Golgi, fibras de musgo).
• Entrenado un clasificador de aprendizaje profundo semi-supervisado utilizando la forma de onda, las estadísticas de descarga y la información de la capa.
• Se validó la precisión del clasificador (>95%) en diferentes condiciones experimentales, laboratorios, regiones cerebrales y especies.

Principales resultados:

• Un nuevo clasificador de aprendizaje profundo semi-supervisado predice con precisión los tipos de células neuronales a partir de grabaciones extracelulares (> 95% de precisión).
• Las predicciones del clasificador demuestran una gran concordancia con las clasificaciones de los expertos.
• Aplicación exitosa en diversas configuraciones experimentales, regiones cerebelares e incluso entre especies.

Conclusiones:

• El clasificador desarrollado identifica eficazmente los tipos de células a partir de datos electrofisiológicos, superando las limitaciones de las sondas de alta densidad actuales.
• Este método mejora el análisis de la dinámica del circuito neuronal al permitir el estudio de distintas contribuciones de tipo celular durante el comportamiento.
• Facilita una comprensión más profunda de los roles computacionales de poblaciones neuronales específicas en la función cerebral.