使用深度学习从单细胞和空间转录组数据量化神经元激活

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
• 基因组学就是基因组学.

背景情况:

• 神经元活动驱动的基因转录对于突触可塑性,大脑发育和记忆形成至关重要.
• 单细胞RNA测序 (scRNAseq) 能够在细胞分辨率上研究基因表达.
• 现有的方法在不同的生物环境中缺乏稳定性.

研究的目的:

• 介绍NEUROeSTIMator,这是一个深度学习模型,用于从转录基因数据中估计神经元激活.
• 为了验证NEUROeSTIMator在物种,细胞类型和大脑区域的准确性和通用性.
• 将NEUROeSTIMator应用于空间转录学,用于绘制学习诱导的活动模式.

主要方法:

• 开发了一个深度学习模型 (NEUROeSTIMator),集成了转录组信号.
• 与Patch-seq电生理学数据对模型进行了验证.
• 将模型应用于现有的scRNAseq数据集和雄性小鼠的空间转录组研究.

主要成果:

• 神经刺激器准确地估计神经元激活,与电生理学特征相关联.
• 该模型显示了不同物种,细胞类型和大脑区域的强度.
• 在特定的大脑区域使用空间转录学识别了学习诱导的神经元活动的独特模式.

结论:

• NEUROeSTIMator是一个强大而通用的工具,用于量化神经元激活.
• 该模型增强了神经科学中活动依赖转录的分析.
• 神经刺激器有助于在分子层面研究大脑功能和行为.