使用机器学习解开神经网络中类似活动的动态

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:

• 发作影响全球数百万人,影响生活质量和增加死亡风险.
• 了解神经网络在类活动期间的重组对于改善诊断和治疗至关重要.
• 目前的特征通常集中在同步发射上,但潜在的网络动态仍然不清楚.

研究的目的:

• 通过使用多层机器学习管道在体外研究比库库林诱导的类似活动.
• 在类似发作的事件中识别不同的神经元子群及其活动概况.
• 开发精确的机器学习分类器,以区分正常和类似的神经元活动.

主要方法:

• 在微电极阵列上利用了初级皮质网络的体外模型.
• 应用了一种多步骤的机器学习方法:LSTM自动编码器用于缩小维度,UMAP和等级集群.
• 采用格兰杰深层因果关系来分析非线性时间序列和神经元反应.

主要成果:

• 尽管全球网络同步,但在发作后诱导时确定了具有独特活动概况的独特神经元子群.
• 深格兰杰因果关系揭示了神经元对发作驱动的网络开火变化的不成比例的反应.
• 机器学习分类器在区分本地和类活动状态方面取得了很高的准确性,峰值率是最重要的特征.

结论:

• 分析框架有效地描述了类似发作的活动和神经网络重组.
• 芯片上的发作模型和新的指标为抗药物查提供了宝贵的工具.
• 这些发现加深了对类活动如何改变神经网络中的功能组织的理解.