[論文レビュー] Neuronal Cell Type Classification using Deep Learning

Ofek Ophir, Orit Shefi+1 more|arXiv (Cornell University)|Jun 1, 2023

Neural dynamics and brain functionNeuroscience被引用数 3

ひとこと要約

本論文は、アレン・セルタイプ・データベースからの電気生理的特徴を用いて、ニューロンの細胞タイプを分類するドメイン適応型ディープラーニングフレームワークを提案する。マウスでは興奮性対抑制性ニューロンの分類で97.4%の精度を達成し、ヒトでは95.0%の精度を示した。一方、局所スパースネットワーク（LSPIN）は、1つのニューロンあたりの重要な電気生理的特徴を特定することで、高解釈性を実現し、トランスジェニックマウス系統のサブタイプ分類で91.6%の精度を達成した。

ABSTRACT

The brain is likely the most complex organ, given the variety of functions it controls, the number of cells it comprises, and their corresponding diversity. Studying and identifying neurons, the brain's primary building blocks, is a crucial milestone and essential for understanding brain function in health and disease. Recent developments in machine learning have provided advanced abilities for classifying neurons. However, these methods remain black boxes with no explainability and reasoning. This paper aims to provide a robust and explainable deep-learning framework to classify neurons based on their electrophysiological activity. Our analysis is performed on data provided by the Allen Cell Types database containing a survey of biological features derived from single-cell recordings of mice and humans. First, we classify neuronal cell types of mice data to identify excitatory and inhibitory neurons. Then, neurons are categorized to their broad types in humans using domain adaptation from mice data. Lastly, neurons are classified into sub-types based on transgenic mouse lines using deep neural networks in an explainable fashion. We show state-of-the-art results in a dendrite-type classification of excitatory vs. inhibitory neurons and transgenic mouse lines classification. The model is also inherently interpretable, revealing the correlations between neuronal types and their electrophysiological properties.

研究の動機と目的

• 電気生理的特徴に基づいて、ロバストで説明可能なニューロン細胞タイプ分類のためのディープラーニングモデルを開発すること。
• マウスとヒトのニューロンデータ間のドメインシフトに対処し、クロススプライス一般化を実現するドメインアダプティブトレーニングを用いること。
• 低サンプルサイズの状況下でも、局所スパースニューラルネットワーク（LSPIN）を用いてニューロンサブタイプを正確に分類できること。
• 各ニューロンサブタイプの予測に最も寄与する電気生理的特徴を特定することで、解釈性を提供すること。
• アレン・セルタイプ・データベースからの実世界のデータを用いて、広義のタイプおよびサブタイプ分類タスクにおいて、既存のベースラインを上回ること。

提案手法

• ドメインアダプティブニューラルネットワーク（DANN）を用いて、マウスおよびヒトの電気生理的データの分布を統合し、興奮性および抑制性ニューロンの共同分類を可能にした。
• LSPINモデルは、確率的ゲートを備えたゲーティングネットワークを採用し、不要な特徴を動的に抑制することで、低データ環境下でのスパarsityと解釈性を向上させた。
• 予測ネットワークは、ReLU活性化関数とドロップアウトを用いた、サイズ40および20の2層の全結合層から構成され、学習率0.0599で確率的勾配降下法により学習された。
• ハイパーパrameterはグリッドサーチにより最適化された：λ₁ = 0.01047、λ₂ = 0、σ = 0.5、トレーニングは1000エポック実行された。
• 特徴重要度はゲート行列を用いて可視化され、色が薄い特徴は黙認され、色が明るい特徴は活性化されたことを示し、モデル意思決定の解釈が可能になった。
• モデル性能は標準指標（精度、F1スコア、適合率、再現率）を用いて評価され、マクロ平均スコアが報告された。

Figure 1: GABAergic neurons in the neocortex express one of four markers: Pvalb (Parvalbumin), Sst (Somatostatin), and the ionotropic serotonin receptor Ht3ar which can be either Vip (Vasoactive intestinal polypeptide) positive or negative.

実験結果

リサーチクエスチョン

• RQ1 ドメインシフトが存在するにもかかわらず、マウスおよびヒトのデータセットの両方で、1つのディープラーニングモデルが興奮性および抑制性ニューロンを正確に分類できるか？
• RQ2 限られたトレーニングサンプルでニューロンサブタイプを分類する際、ディープラーニングモデルが高い性能と解釈性を維持できるか？
• RQ3 どの電気生理的特徴が特定のニューロンサブタイプの予測に最も予測的か？ また、モデルの説明可能性を通じてそれらを同定できるか？
• RQ4 提案されたLSPINモデルは、ニューロンサブタイプ分類において、標準的な機械学習ベースラインをどの程度上回るか？
• RQ5 ドメイン適応技術は、豊富なマウスデータから、限られたヒトニューロンデータへの知識移行を効果的に行えるか？

主な発見

• DANNモデルは、共有モデル重みを用いて、マウスデータで興奮性および抑制性ニューロンの分類に97.4%の精度を達成し、ヒトデータでは95.0%の精度を示した。これは、強力なクロススプライス一般化を示している。
• LSPINモデルは、Creラインに基づくニューロンサブタイプ分類で91.6%の精度を達成し、XGBoost（85.0%）を6.6ポイント上回った。
• SstニューロンはHtr3aニューロンと頻繁に誤分類され、これらのサブタイプ間に類似した電気生理的プロファイルがあると考えられる。
• グルタミン酸性ニューロンは97.8%の確率で正しく分類され、Vipニューロンは95.8%の精度で分類された。これは、サブタイプ全体にわたる高いモデル信頼性を示している。
• LSPINモデルはF1スコア0.877、適合率0.886、再現率0.873を達成し、マクロ平均性能においてすべてのベースラインモデルを上回った。
• 特徴重要度分析により、アクションパルス幅や閾値といった特定の電気生理的特性が、各ニューロンサブタイプの予測に一貫して重要であることが明らかになった。

Figure 2: (Top) Stimulation of noise pulses with square current injections scaled to three amplitudes, 0.75, 1, and 1.5 times Rheobase with a coefficient of variation (CV) equal to 0.2, as it resembles in vivo data. (Bottom) cell response to the noise stimulation.