Investigadores de JAIST y Princeton crearon el algoritmo NTAC para clasificar neuronas por sus conexiones

Исследователи из JAIST, Princeton и других центров представили NTAC — систему, которая определяет тип нейрона не по внешней форме, а по его синаптическим связям. В экспериментах на коннектомах плодовой мушки алгоритм показал точность выше 90% и справлялся с задачей за минуты на обычном ноутбуке.

Почему форма подводит Проблема типизации нейронов давно упирается в ручную работу.

Обычно эксперты классифицируют клетки по морфологии: форме, ветвлению, положению в ткани. Это работает не всегда. В некоторых областях мозга, особенно в зрительной доле плодовой мушки, разные типы нейронов выглядят почти одинаково.

Визуально различить их сложно, хотя по функциям они участвуют в разных цепях обработки сигнала. Из-за этого разметка превращается в долгий и дорогой процесс, который плохо масштабируется по мере роста коннектомов. Авторы предлагают смотреть не на саму клетку, а на ее «подключения».

Логика простая: два одинаковых провода в стене трудно отличить по внешнему виду, но их легко различить, если проследить, куда они идут. С нейронами похожая история. NTAC использует схему синаптических связей как главный признак и показывает, что именно она лучше отражает функциональную природу клетки, чем анатомический силуэт.

Особенно это важно в плотных участках мозга с повторяющейся архитектурой.

Как устроен NTAC NTAC работает в двух режимах.

В полуавтоматическом варианте исследователи заранее размечают небольшую долю нейронов, а модель переносит эти знания на остальные клетки в том же наборе данных. Во втором режиме разметка вообще не нужна: алгоритм сам группирует нейроны по сходству их связей. Это важно для больших коннектомов, где вручную подписать все клетки уже невозможно. Такой подход позволяет использовать и частично готовые атласы, и совсем сырые наборы данных.

• Полуавтоматический режим использует немного готовых меток Неконтролируемый режим кластеризует нейроны без подсказок Запуск занимает минуты на стандартном ноутбуке * Метод тестировали на нескольких коннектомах плодовой мушки По данным авторов, модель проверяли на наборах FlyWire, коннектоме зрительной доли и данных по вентральному нервному шнуру. Это не игрушечный пример на одной лабораторной выборке, а сравнение на нескольких современных картах нервной системы дрозофилы. Такой дизайн делает результат сильнее: исследователи показывают не разовую удачу, а подход, который способен переноситься между разными областями, разными задачами и разным числом типов клеток в выборке.

Результаты и пределы

Самый сильный результат NTAC показал там, где морфологические методы чаще всего спотыкаются. В зрительной доле полуавтоматический вариант превысил 90% точности, тогда как популярный подход NBLAST, опирающийся на форму нейрона, держался примерно на уровне 50%. В полностью неконтролируемом режиме NTAC достигал около 70% точности в сложных областях, тогда как морфологическая кластеризация в ряде случаев оставалась ниже 10%. Для задач автоматической аннотации это очень заметный разрыв.

«Сама схема связей передает достаточный сигнал для быстрой идентификации типов нейронов».

Важно и то, что речь не о прожорливой модели под дата-центр. Авторы подчеркивают, что NTAC работает на стандартном CPU и не требует суперкомпьютера. Для нейробиологии это практический сдвиг: если коннектомы будут расти от мозга мушки к мыши и дальше к человеку, автоматизация типизации станет обязательной. Алгоритм уже применяли для маркировки тысяч нейронов, а следующим крупным рубежом исследователи называют картирование мозга мыши.

Что это значит NTAC не решает задачу картирования человеческого мозга

целиком, но убирает один из самых медленных этапов — ручную типизацию клеток. Если подход сохранит точность на более крупных организмах, коннектомика получит рабочий инструмент, который ускорит и базовую науку, и поиск нарушений нейронных цепей при заболеваниях.