基于机器学习的评估自发疼痛和止痛药从小鼠主要体感皮质的细胞信号,使用可解释的特征
Myeong Seong Bak1,2, Haney Park1,3, Heera Yoon1,3
1Department of Science in Korean Medicine, Graduate School, Kyung Hee University, Seoul, Republic of Korea.
Frontiers in molecular neuroscience
|March 7, 2024
概括
一种新的机器学习模型分析了小鼠的大脑活动,以更好地理解自发疼痛,通过使用可解释的特征来开发药物,超越了以前的深度学习方法.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 自发性疼痛在临床上是相关的,但在动物模型中测量是具有挑战性的.
- 以前用于疼痛评估的深度学习模型缺乏透明度.
- 在主要体感皮质 (S1) 中的细胞信号反映了疼痛状态.
研究的目的:
- 开发一个透明的机器学习 (ML) 模型来评估小鼠的自发疼痛.
- 利用从S1信号中手动提取的特征来改进模型的解释性.
- 验证ML模型在非疼痛,疼痛和止痛状态之间区分的能力.
主要方法:
- 在小鼠S1皮层神经元的双光子成像.
- 提取包括细胞活动比率和细胞间相关性在内的特征.
- 验证使用离开一个主体的交叉验证来分类疼痛和止痛状态.
主要成果:
- ML模型成功地分类了非疼痛,疼痛和药物诱导的止痛状态.
- 该模型在炎症和神经病痛疼痛模型中展示了多功能性.
- 在确定,吗啡和马格诺林止痛性能的有效性.
结论:
- 机器学习模型为"黑子"深度学习方法提供了一个透明的替代方案.
- 手动提取的特征为与疼痛相关的神经元活动模式提供了洞察力.
- 这种方法促进了对具有更高临床翻译潜力的止痛药的临床前研究.


