DSM:用于完整的神经元形态表示和特征提取的深度序列模型
Feng Xiong1,2, Peng Xie1,2, Zuohan Zhao1,2
1New Cornerstone Science Laboratory, SEU-ALLEN Joint Center, Institute for Brain and Intelligence, Southeast University, Nanjing, Jiangsu 210096, China.
Patterns (New York, N.Y.)
|January 24, 2024
概括
我们开发了一种深度序列模型 (DSM),以根据其形态学准确地分类神经元投影类型. 这种人工智能方法有效地识别细胞类型,并有助于发现新亚型和相关基因.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 了解单个神经元形态对于大脑细胞类型的分类至关重要.
- 神经元投射轨迹是确定连接性和细胞身份的关键.
研究的目的:
- 开发一种人工智能方法,从神经元投影中提取细胞类型定义特征.
- 准确地分类神经元投射类型并分析它们的生物学意义.
主要方法:
- 开发了一个深度序列模型 (DSM),一种人工智能方法.
- 应用DSM分析完整的神经元形态数据和整个大脑区域的投影轨迹.
主要成果:
- 在分类12种主要的神经元投射类型时,DSM取得了超过90%的准确性.
- 该模型证明了对空间噪声的稳定性,使大数据集的有效分析成为可能.
- 成功地应用DSM来发现新型神经元亚型,并分析投影电路中共同表达的基因.
结论:
- 由DSM定义的特征长投影可以有效地识别神经元细胞类型.
- 这种人工智能驱动的方法有助于管理和分析复杂的神经形态数据.
- DSM有助于揭示神经元亚型和基因表达模式的新生物学见解.
