对于这么小的东西来说，神经元可能相当复杂——不仅因为大脑中有数十亿个神经元，还因为它们的功能会受到许多因素的影响，比如它们的形状和基因构成。威斯康辛大学麦迪逊分校怀斯曼中心生物统计学、医学信息学和计算机科学教授王领导的研究小组正在采用机器学习和人工智能技术，以更好地了解各种特征如何共同影响神经元的工作和行为。
这种被称为流形学习的方法可以帮助研究人员通过观察特定的神经元特性来更好地理解甚至预测大脑疾病。王实验室最近在两项研究中发表了他们的发现。
在2021年11月发表在《通讯生物学》杂志上的第一项研究中，研究人员表明他们可以应用多种学习来预测神经元的特征。应用现有的机器学习技术，即使用计算机算法分析大量数据并自动进行预测，他们发现他们可以根据基因和电生理行为对细胞进行分类。这种行为包括神经元的电活动，这对神经元之间的交流以及最终大脑的功能至关重要。
使用来自小鼠大脑中大约3000个神经元的信息，科学家们应用多种学习来排列基因表达和电生理数据。他们的目标是确定两者之间是否存在可测量的关系。
他们发现，这两种神经元细胞特征显示出相似的模式——在同一组细胞中值高，但在其余细胞中值低——并在“多维空间”中对齐，或显示出彼此之间的关系。这定义了它们所谓的流形形状，这是对神经元属性的复杂数学描述。
“基于这种多样的形状，我们发现细胞可以聚集成不同的群体，”王说，他也是医学与公共卫生学院生物统计学和医学信息学的教授。
仅使用一个特征(单独的基因表达或单独的电生理学)对细胞进行聚类，不会产生像串联使用两个特征时那样清晰分离的聚类。
科学家们随后询问基因如何共同影响细胞电生理。利用细胞群，他们发现了电生理特征和控制其他基因表达的特定基因之间的联系。这些基因中的一些也参与控制免疫系统，表明神经元通讯和炎症之间的相互作用。
有了这些数据，王和他的学生们接着探索他们是否可以根据基因表达来预测神经元的电生理特征。王将此比作试图预测一个城市特定地区的交通模式与该地区餐馆在一天中任何给定时间的外卖订单数量之间的关系。
“如果你将客流量与某个特定地区餐馆的外卖订单数量进行比较，它们是两回事，但我相信它们有一些相似的模式，比如它们可能都有相同的高峰时段，”他说。
“在这里，我们将使用流形对齐来对齐流量(电生理学)和外卖订单量(基因表达)之间的模式，然后找到两者之间的共享模式。”
王说，有了这些信息，你可以开始仅根据交通数据预测外卖订单何时达到峰值，或者你可以开始根据神经元的电生理特征预测神经元的基因表达。
有了这个概念之后，王的团队使用他们收集的数据来指导他们的第二项研究，该研究发表在一月份的《自然计算科学》上。它描述了一种新的和改进的流形学习类型，解决了早期模型的局限性，并可以帮助研究人员更好地理解健康和疾病背景下的神经元功能。
被称为deepManReg的新模型改善了基于基因表达和电生理学的神经元特征预测。它还更适用于其他类型的细胞数据，可以整合两种以上的神经元特征，并可以揭示多种特征如何相互联系或影响。
将机器学习用于这些应用可以帮助减少研究大脑某些特征所需的时间和金钱。虽然研究人员的最新研究是基于健康细胞，但王打算利用这些技术来了解更多关于大脑障碍和疾病的信息。
“基本上，(我们可以研究)这些基因是如何被调节来影响病变细胞的电生理学或行为的，”王说。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
