WormTensor:一种对来自C. elegans的时间序列全脑活动数据的聚类方法

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 系统神经科学 系统神经科学

背景情况:

• 神经模块和电路控制神经网络中的生物功能.
• 神经活动相关性有助于识别这些功能模块.
• 进步允许在像C. elegans这样的物种中测量整个大脑的神经活动,但数据往往有缺失的点.

研究的目的:

• 开发一种新的时间序列聚类方法,用于识别C. elegans中的功能模块.
• 为应对整个大脑神经活动数据集中缺少数据的挑战.
• 为了使多个动物的数据能够合并,以便更可靠地发现模块.

主要方法:

• 介绍了WormTensor,一种新的时间序列聚类方法.
• 利用修改的基于形状的距离来处理细胞相互作用中的滞后和相互抑制.
• 应用了一个张量分解算法 (MC-MI-HOOI) 用于多视图集群和数据可靠性权重.

主要成果:

• 通过使用24个个人的全脑活动数据,成功地确定了C. elegans中已知的功能模块.
• 与标准的共识聚类方法相比,WormTensor表现出更高的性能,由更高的轮系数证明.
• 模拟证实了WormTensor对噪音数据污染的强度.

结论:

• WormTensor 是一种有效的工具,用于发现 C. elegans 中的神经功能模块.
• 该方法提供了一种可靠的方式来整合来自多种动物的数据,克服常见的数据限制.
• 作为一个开源的R/CRAN包,WormTensor可供使用,以促进其在研究界的使用.