研究人员正在使用机器学习来了解脑细胞是如何工作的

对于这么小的东西，神经元可能非常复杂——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。

由威斯康星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戴峰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方式和行为。

这种称为流形学习的方法可以帮助研究人员通过查看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其发现。

在《通讯生物学》杂志上报道的第一项研究中，研究人员表明他们可以应用流形学习来预测神经元的特征。应用现有的机器学习技术，使用计算机算法分析大量数据并自动做出预测，他们发现他们可以根据细胞的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，这对于神经元之间的交流以及最终的大脑功能至关重要。

利用来自小鼠大脑中大约3,000个神经元的信息，科学家们应用多种学习来对齐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衡量的关系。

他们发现这两种神经元细胞特征都显示出相似的模式——同一组细胞中的高值，但其余细胞中的低值——并且在“多维空间”中对齐，或者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。

“基于这种多种形状，我们发现细胞可以聚集在一起形成不同的组，”同时也是威斯康星大学医学和公共卫生学院生物统计学和医学信息学教授的王说。

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，并不会产生像同时使用这两个特征时那样明显分离的簇。

然后，科学家们询问基因如何协同工作以影响细胞电生理学。利用细胞簇，他们发现了电生理特征与控制其他基因表达的特定基因之间的联系。其中一些基因也参与控制免疫系统，表明神经元通讯和炎症之间存在相互作用。

利用这些数据，Wang和他的学生随后探索了他们是否可以根据基因表达对神经元的电生理特征做出预测。王将此比作试图预测城市特定区域的交通模式与一天中任何给定时间地区餐馆的外卖订单数量之间的关系。

“如果你将客流量与特定区域餐厅的外卖订单数量进行比较，它们是两个不同的东西，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间，”他说。“在这里，我们将使用流形对齐来对齐流量(电生理学)和外卖订单数量(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，您可以开始仅根据交通数据预测外卖订单何时会达到峰值，或者您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。

随着概念的制定，Wang的团队随后使用他们收集的数据为他们的第二项研究提供信息，该研究发表在NatureComputationalScience上。它描述了一种新的和改进的流形学习类型，它解决了早期模型的局限性，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。

这种名为deepManReg的新模型改进了基于基因表达和电生理学的神经元特征预测。它也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，并且可以揭示多个特征如何相互连接或影响。

将机器学习用于这些应用程序可以帮助减少研究大脑某些特征所需的时间和金钱。尽管研究人员最近的研究是基于健康细胞，但王打算使用这些技术来了解更多关于脑部疾病和疾病的信息。

“基本上，(我们可以研究)这些基因如何被调节以影响患病细胞的电生理学或行为，”王说。

标签：