[论文解读] 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 3

一句话总结

本文提出了一种用于基于艾伦细胞类型数据库中电生理特征分类神经元细胞类型的领域自适应深度学习框架。该方法在小鼠中对兴奋性与抑制性神经元的分类准确率达到97.4%，在人类中达到95.0%；同时，一种局部稀疏网络（LSPIN）在低样本量条件下对转基因小鼠品系进行亚型分类时，准确率达到91.6%，且具有高度可解释性，能够识别每个神经元的关键电生理特征。

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.

研究动机与目标

• 开发一种基于电生理特征的稳健且可解释的深度学习模型，用于神经元细胞类型的分类。
• 通过领域对抗训练解决小鼠与人类神经元数据之间的领域偏移问题，实现跨物种泛化。
• 在低样本量条件下，利用局部稀疏神经网络（LSPIN）实现神经元亚型的精确分类。
• 通过识别对每种子型最具预测性的电生理特征，提供模型决策的可解释性。
• 在真实世界数据（艾伦细胞类型数据库）的基础上，超越现有基线模型，在广义类型与亚型分类任务中均取得改进。

提出的方法

• 采用领域对抗神经网络（DANN）对齐小鼠与人类电生理数据的分布，实现兴奋性与抑制性神经元的联合分类。
• LSPIN模型通过引入具有随机门控的门控网络，动态抑制无关特征，从而在低数据环境下增强稀疏性与可解释性。
• 预测网络由两个大小为40和20的全连接层构成，激活函数为ReLU，并使用Dropout正则化，通过随机梯度下降进行训练，学习率为0.0599。
• 通过网格搜索调整超参数：λ₁ = 0.01047，λ₂ = 0，σ = 0.5，训练周期为1000轮。
• 通过门矩阵可视化特征重要性，其中被抑制的特征显示为黑色，激活的特征显示为白色，从而实现对模型决策的解释。
• 使用标准指标评估模型性能：准确率、F1值、精确率与召回率，报告宏平均分数。

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.

实验结果

研究问题

• RQ1 尽管存在领域偏移，单一深度学习模型是否能准确分类小鼠和人类数据集中的兴奋性与抑制性神经元？
• RQ2 在训练样本有限的情况下，深度学习模型如何在保持高性能的同时实现高可解释性？
• RQ3 哪些电生理特征对特定神经元亚型最具预测性？能否通过模型可解释性识别这些特征？
• RQ4 所提出的LSPIN模型在神经元亚型分类任务中，相较于标准机器学习基线模型，优势有多大？
• RQ5 领域自适应技术是否能有效将丰富的小鼠数据知识迁移至稀缺的人类神经元数据中，以实现细胞类型分类？

主要发现

• DANN模型在使用共享模型权重的情况下，对小鼠数据中兴奋性与抑制性神经元的分类准确率达到97.4%，对人类数据的分类准确率达到95.0%，展现出强大的跨物种泛化能力。
• LSPIN模型在基于Cre品系的神经元亚型分类中达到91.6%的准确率，较XGBoost基线（85.0%）高出6.6个百分点。
• Sst神经元最常与Htr3a神经元混淆，表明这两类亚型具有相似的电生理特征。
• 谷氨酸能神经元正确分类率达97.8%，Vip神经元分类准确率为95.8%，表明模型在各类亚型中均表现出高度可靠性。
• LSPIN模型的F1得分为0.877，精确率为0.886，召回率为0.873，所有宏平均性能指标均优于所有基线模型。
• 特征重要性分析显示，特定电生理属性（如动作电位宽度与阈值）在各类神经元亚型中均被一致识别为关键预测因子。

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.