高密度の細胞外記録から種間の細胞タイプを識別するためのディープラーニング戦略

科学分野:

• 神経科学
• 計算神経科学
• 細胞神経科学

背景:

• 高密度探査機は 脳回路の多数のニューロンから 同時に 電気生理学的記録を可能にします
• しかし,これらの探知器は本質的に記録されたニューロンの細胞タイプを識別しません.
• 細胞の種類を区別することは,それらの特定の計算の役割を理解するために重要です.

研究 の 目的:

• 覚醒している動物の細胞外記録から神経細胞の種類を特定するための戦略を開発する.
• 異なる機能的,分子的,解剖学的性質を持つニューロンの計算的役割を明らかにする.
• オプトジェネティクスと薬理学を活用して 機械学習モデルを訓練するための 基本データセットを作成します

主な方法:

• 小脳における光遺伝学と薬理学を組み合わせて,特定の細胞タイプ (プルキンゼ細胞,分子層内ニューロン,ゴルギ細胞,モッシー繊維) の電気生理学的性質の基礎的真実の図書館を生成する.
• 波形,放電統計,層情報を用いて 半監視の深層学習分類器を訓練した.
• 異なる実験条件,実験室,脳領域,種で分類器の精度 (>95%) を検証した.

主要な成果:

• 新しい半監視型深層学習分類器は,細胞外記録からニューロン細胞の種類を正確に予測します (>95%の精度).
• 分類者の予測は,専門家の分類と高い一致を示しています.
• 異なる実験環境,小脳領域,さらには種間でも成功しています.

結論:

• 開発された分類器は,電気生理学的データから細胞タイプを効果的に識別し,現在の高密度プローブの限界を克服します.
• この方法は,行動中に異なる細胞タイプの貢献を研究することを可能にすることによって,神経回路のダイナミクスの分析を強化します.
• 脳の機能における特定のニューロン集団の計算的役割のより深い理解を容易にする.