集体学习和突触连接的基础真相验证,从尖列车推断出来
Christian Donner1, Julian Bartram2, Philipp Hornauer2
1Swiss Data Science Center, ETH Zürich & EPFL, Zürich & Lausanne, Switzerland.
PLoS computational biology
|April 29, 2024
概括
从尖端记录中推断神经元连接是具有挑战性的. 一组人工神经网络 (eANN) 通过整合多个算法来提高准确性和稳定性,特别是在抑制性连接方面.
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.
- 系统神经科学 系统神经科学
背景情况:
- 了解神经元电路架构和功能在现代神经科学中至关重要.
- 从大规模的细胞外记录中推断神经元连接是一种流行的但有争议的方法.
研究的目的:
- 开发一个评估神经元连接推断算法的框架.
- 引入整体人工神经网络 (eANN),以提高网络重建的准确性和稳定性.
主要方法:
- 使用了合成和体外数据,并使用来自高密度微电极阵列 (HD-MEA) 和补丁记录的同时接地真实连接标签.
- 对比了六个已建立的推理算法的性能.
- 在这些算法的输出上训练了一组人工神经网络 (eANN).
主要成果:
- 连接重建性能取决于活动的规律性,连接类型和数据量.
- 在不同的动态模式和数据集大小中,eANN表现出更好的准确性和稳定性.
- eANN 特别提高了抑制性突触连接的检测和拓特性.
结论:
- 开发的框架和eANN推进了神经元连接推断算法的性能.
- 这项工作有助于更好地理解神经元活动和突触连接之间的关系.


