一种用于推断神经元连接的图神经网络方法
Graph neural network approach for inferring neuronal connectivity
预印本 · 尚未经过同行评审
现有连续切片显微成像和病毒示踪等解剖图谱手段耗费资源，且无法反映连接的有效性。作者提出从单神经元分辨率的群体活动中推断有效连接的图神经网络工具 CircuitGNN，在多个小回路上准确推断连接，并检测到学习过程中连接增强与减弱。在无脊椎动物中枢模式发生回路和皮层微回路生成的模拟群体活动上，其表现优于其他方法；记录延长可提升表现，短至 4 分钟的记录仍有较高精度，可扩展到约 750 个神经元的回路，在 20% 或 40% 神经元被隐藏时保持稳健。该预印本尚未经同行评审。
作者团队开发图神经网络工具 CircuitGNN，从单神经元分辨率的群体活动中推断有效连接，在无脊椎动物中枢模式发生回路和皮层微回路模拟数据上与其他方法比较，4 分钟记录即可达到较高精度。
理解神经元网络的连接性对于理解脑功能至关重要。当前解剖学制图技术，如连续切片显微术和病毒示踪，资源消耗大且无法捕捉连接的有效性。一种互补方法是从单神经元分辨率的群体活动中推断有效连接。我们开发了一种基于图神经网络（GNN）的工具CircuitGNN，可从群体活动中准确推断神经有效连接。CircuitGNN准确推断了若干小型环路的连接性，并检测到连接的增强和减弱，例如学习过程中发生的那些变化。当应用于由无脊椎动物中枢模式发生环路和皮层微环路产生的模拟群体活动时，CircuitGNN优于其他方法。CircuitGNN在不同规模、记录时长和隐藏神经元比例的网络上进行了评估。尽管性能随记录时间延长而提高，CircuitGNN在短至4分钟的记录中即达到高精度，可扩展至多达约750个神经元的大型环路，并且在20%或40%的神经元被隐藏时仍保持稳健。这些结果确立了CircuitGNN作为一种从活动中推断神经连接的准确且稳健的技术。
中文由 AI 翻译，仅供参考，以原文为准。
来源：bioRxiv · Neuroscience · biorxiv.org