NeuroCL:基于对比式学习的深度学习方法来识别神经
Jian Liu1, Aoyun Geng1, Feifei Cui1
1School of Computer Science and Technology, Hainan University, Haikou, 570228, China.
Analytical biochemistry
|June 4, 2025
概括
新型深度学习模型NeuroCL使用对比学习和交叉注意力准确识别神经 (NP). 这一进步有助于诊断和治疗NP相关疾病.
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
- 人工智能的人工智能
背景情况:
- 神经 (NP) 是神经传递,内分泌调节和情绪控制中的关键信号分子.
- 准确的NP识别对于疾病诊断,向治疗和个性化医疗至关重要.
- 现有的模型在NP识别中难以处理复杂的特征关系和样本间的联系.
研究的目的:
- 开发一个先进的深度学习模型,NeuroCL,以高效准确地识别神经.
- 克服以前模型在捕获复杂数据关系方面的局限性.
主要方法:
- 实现了NeuroCL,这是一种使用对比学习和交叉注意力机制的深度学习模型.
- 使用多方面的属性表示来进行全面的NP分析.
- 集成预训练的大型模型,通过交叉注意力手动编码功能.
主要成果:
- 在一个独立的测试组中,NeuroCL获得了93.8%的准确性和87.8%的MCC.
- 相反的学习提高了阶级区别和连贯性.
- 交叉注意力增强了功能集成和连接,超过了最先进的预测器.
- UMAP可视化证实了正负NP的明显分离.
结论:
- 在神经标识方面,NeuroCL表现出卓越的性能.
- 该模型的架构有效地捕捉复杂的数据细微差别,并加强特征关联.
- 有一个基于网络的平台可用于NeuroCL的可访问性和应用.


