使用电压测量和深度学习来确定非常相似的神经递质的强度度

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
• 生物医学工程 生物医学工程

背景情况:

• 了解神经和精神疾病的进步需要复杂的计算方法来进行神经化学分析.
• 目前在体内测量神经递质的技术缺乏分解具有高空间时间分辨率和最小组织损伤的结构相似化合物的能力.
• 区分像多巴胺和北上腺素这样的神经递质对于研究重叠的电化学性质的大脑区域至关重要.

研究的目的:

• 开发一种深度学习模型,能够从复杂的混合物中分辨出多巴胺,北上腺素和血清素的个体增强度.
• 用电压测量数据在体外和体内环境中验证模型的性能.
• 为实体中实时,高分辨率的神经化学分析建立一个新的计算工具.

主要方法:

• 开发DiscrimNet,一个卷积式自动编码器深度学习网络.
• 培训和验证DiscrimNet使用体外神经递质混合物和体内麻醉大鼠的电压测量数据.
• 对比DiscrimNet的性能与已建立的浅层学习算法进行神经递质歧视.

主要成果:

• 从体外和体外样本中,DiscrimNet准确地预测了多巴胺,北上腺素和血清素的个体增强度.
• 深度学习模型在神经递质歧视方面显著优于现有的浅层学习算法.
• DiscrimNet证明了对新型电极数据的概括,并准确地预测了药物 (可卡因和氧化) 管理后的神经递质变化.

结论:

• DiscrimNet提供了一种强大的新方法,可以实时将体内电压信号的分辨率转化为它们组成的神经递质.
• 这种深度学习方法克服了当前神经化学分析技术的局限性,使大脑功能能够得到更精确的研究.
• 通过提高体内神经递质测量的准确性,DiscrimNet对推进神经和精神疾病研究具有重要意义.