深度学习模型用于非典型的血清细胞识别
Daniele Corradetti1, Alessandro Bernardi2, Renato Corradetti3
1Grupo de Fisica Matematica, Instituto Superior Tecnico, Av. Rovisco Pais, Lisboa, 1049-001, Portugal; Departamento de Matematica, Universidade do Algarve, Campus de Gambelas, Faro, 8005-139, Faro, Portugal.
Journal of neuroscience methods
|May 4, 2024
概括
深度学习模型能够准确地识别典型和非典型的血清神经元,包括那些具有不寻常的发射模式的神经元. 这有助于研究大脑中不同类型的血清能神经元活动.
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.
- 机器学习 机器学习
背景情况:
- 血清激素系统使用具有不同电生理学特性的多种神经元.
- 目前的方法难以识别非典型的血清神经元,限制了对其功能的研究.
研究的目的:
- 开发深度学习模型,以准确区分典型和非典型的血清性神经元与非血清性细胞.
- 能够全面研究不同类型的血清性神经元活动的功能相关性.
主要方法:
- 从已识别的 serotonergic 和非 serotonergic 神经元中利用了体外电生理学记录.
- 采用卷积神经网络 (CNN) 来根据动作潜能特征进行分类.
- 在大量真实和合成动作潜力样本的数据集上训练模型.
主要成果:
- 深度学习模型在区分神经元副类型方面取得了高准确性.
- 当模型在独立的,不均的数据集上进行验证时,模型显示出强度和可靠性.
- 在识别包括非典型的神经元在内的神经元中获得了超过94%的准确性.
结论:
- 开发的模型可靠地识别出典型和非典型的神经元.
- 该模型已准备好用于实验,并可适应各种记录参数.
- 促进了对神经生物学的作用的更广泛的研究. 血清激素系统多样性.
