Brain development dictates energy constraints on neural architecture search: cross-disciplinary insights on optimization strategies
该研究从发育神经科学视角提出,大脑神经架构搜索以代谢优化而非预测误差为核心,为AI尤其是AGI的新型NAS设计及深度神经网络因果推理研究提供了新视角。
2023-10-03 q-bio.NC q-bio.QM
Computational neuroanatomy: mapping cell-type densities in the mouse brain, simulations from the Allen Brain Atlas
成年小鼠的艾伦脑图谱(ABA)由小鼠脑中数千个基因的数字化表达谱组成,共同注册到一个共同的三维模板(艾伦参考图谱)。这种全大脑、全基因组的数据集引发了神经解剖学的复兴。它的体素化版本(具有边长为200微米的立方体体素)可以使用MATLAB在台式计算机上进行分析。另一方面,脑细胞表现出很大的表型多样性(在大小,形状和电生理活性方面),这激发了一些研究充分的细胞类型的名称,如颗粒细胞和中型多刺神经元。然而,没有详尽的脑细胞分类。脑细胞的遗传分类正在进行中,一些细胞类型的特征在于它们的转录组谱。然而,给定一种以转录组为特征的细胞类型,我们还不清楚在大脑中的其他地方可以找到类似的细胞。ABA可以用数据驱动的方式解决这个区域特异性问题:将图谱中所有基因的全脑表达谱重写为细胞类型特异性转录组谱的总和,相当于在大脑中的每个体素上解决一个二次优化问题。然而,最近发表的64种细胞类型的估计全脑密度是基于每个基因的一系列共同注册的冠状原位杂交(ISH)图像,而在线ABA包含每个基因的几个图像系列,包括矢状的。在所提出的工作中,我们模拟的变异性的细胞类型的密度在蒙特卡洛的方式,通过重复绘制一个随机的图像系列为每个基因和解决优化问题。这产生了关于细胞类型的区域特异性的误差条。
2015-06-23 q-bio.NC
Intrinsic Goals for Autonomous Agents: Model-Based Exploration in Virtual Zebrafish Predicts Ethological Behavior and Whole-Brain Dynamics
Neuroscience Institute, Carnegie Mellon University(卡内基梅隆大学神经科学研究所);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Machine Learning Department, Carnegie Mellon University(卡内基梅隆大学机器学习系);IBM Thomas J. Watson Research Center, IBM Research(IBM沃森研究中心)
针对无奖励环境下探索不一致问题,提出基于模型的内在驱动力3M-Progress,通过在线世界模型与生态位先验的差异实现类动物探索,并首次仅凭内在目标预测斑马鱼全脑神经-胶质动力学,建立连接内在动机与自然行为的计算框架。
2025-10-24 cs.AI cs.LG cs.RO
Algebraic identification of the effective connectivity of constrained geometric network models of neural signaling
由神经元和胶质细胞相互连接组成的细胞神经回路和网络对脑中与信息处理相关的信息处理起着重要作用。虽然有主要的努力旨在映射大脑网络的结构和(电)生理连接,如白宫大脑倡议旨在开发能够高密度神经记录的神经技术,但用于分析和理解所有这些数据的理论和计算方法似乎还远远落后。在这里,我们提出并提供了一个总结的方法来计算有效的连接神经网络活动的实验观察。该方法基于网络级数据,利用所有相关的先验知识,如网络中单个细胞的动态模型和网络的物理结构连接性,广泛适用于大类生物和非生物网络。
2015-05-15 physics.data-an q-bio.NC
Cell-type-specific computational neuroanatomy, simulations from the sagittal and coronal Allen Brain Atlas
成年小鼠大脑的艾伦图谱是一个全脑、全基因组的数据集,已在网上发布,引发了神经解剖学的复兴。特别是,它已被用于以计算,数据驱动的方式定义大脑区域,并估计由其转录活性独立表征的细胞类型的区域特异性。然而,这些结果是基于一个系列的共同注册(冠状)ISH图像系列每个基因,而在线ABA包含几个图像系列每个基因,包括矢状的。由于矢状面序列主要覆盖左半球,我们可以通过重复绘制每个基因的随机图像序列并将计算限制在左半球来模拟结果的可变性。这引起了对计算神经解剖学结果的误差线的估计。
2015-05-24 q-bio.NC
Cell-type-specific neuroanatomy of brain-wide expression of autism-related genes
根据Allen Brain Atlas,通过计算确定了两个基因群,它们在小鼠大脑中的高共表达,以及它们在自闭症谱系障碍相关基因中的富集,最近已被证明在小脑皮质中高度共表达,与偶然预期的相比。此外,这些基因群的表达在整个小脑中并不均匀,并且已经注意到它们的基因表达模式似乎突出颗粒层。然而,这种观察仅通过眼睛进行,并且计算神经解剖学的最新进展允许根据其密度分布和集团表达分布之间的相似性对小鼠大脑中的细胞类型进行排名(以其转录组分布为特征)。我们通过Monte Carlo模拟建立了至少99%的概率,两个集团的表达谱与颗粒细胞的密度谱比包含相同数量基因的集团的表达的99%更相似(浦肯野细胞在其中一个集团中的得分也超过99%)。对表达谱的分析表明,颗粒层中的信号更强。
2014-08-11 q-bio.NC
Emulation of Astrocyte Induced Neural Phase Synchrony in Spin-Orbit Torque Oscillator Neurons
星形胶质细胞在脑内诱导协调相位同步的神经波模式中起核心作用。在这篇文章中,我们证明了在自旋轨道扭矩振荡器神经元的底层重金属层中注入射频信号模仿神经胶质细胞实现的神经元相位同步效应。这种相位耦合效应的潜在应用说明在一个时间的“绑定问题”的上下文中。我们还提出了一个耦合的神经元-突触-星形胶质细胞网络的设计,使紧凑的拟神经设备相结合的概念,局部尖峰时间依赖的可塑性和星形胶质细胞诱导的神经相位同步。
2021-09-16 cs.ET q-bio.NC
Common Cell type Nomenclature for the mammalian brain: A systematic, extensible convention
单细胞RNA测序技术的进步导致了跨多个器官和生物体的细胞类型定义的爆炸式增长。虽然数据和元数据摄入的标准正在出现,但细胞类型的组织在很大程度上留给了个别研究人员,导致命名方法差异很大,分类法之间的一致性有限。为了便于跨数据集比较,艾伦研究所创建了通用细胞类型命名系统(CCN),用于在不同研究中匹配和跟踪细胞类型,这在性质上类似于不同基因组构建中的基因转录管理。CCN可以容易地应用于新的或已建立的分类法,并且在本文中应用于来源于多种可量化模态的不同细胞类型数据集。CCN有助于在哺乳动物皮层中分配准确而灵活的细胞类型名称,作为整个社区努力组织与任何生物体的细胞类型分类相关的多源数据驱动信息的一步。
2020-11-13 q-bio.NC
Whole Brain Network Dynamics of Epileptic Seizures at Single Cell Resolution
癫痫发作的特征在于多个尺度的异常脑动力学,涉及单个神经元、神经元集合和粗糙的脑区域。理解这种突发性种群动力学的原因的关键是在多个大脑尺度上捕捉神经元活动的集体行为。在这篇论文中,我利用斑马鱼幼鱼捕捉癫痫发作时整个大脑的单细胞神经元活动。首先,我利用统计物理方法来量化癫痫发作期间单个神经元动力学的集体行为。在这里,我展示了一个人口机制,通过该机制,单神经元动力学组织成癫痫发作:大脑动力学偏离相变。其次,我利用单神经元网络模型来识别实际导致这种转变发生的突触机制。在这里,我表明网络中神经元连接的密度是驱动全身性癫痫发作动力学的关键。有趣的是,这种变化也破坏了大脑网络的网络反应特性和灵活的动力学,从而将癫痫发作期间的微尺度神经元变化与突发性脑功能障碍联系起来。第三,我利用非线性因果推理方法来研究癫痫发作发生的潜在神经元相互作用的性质。在这里,我展示了癫痫发作是由高度同步性驱动的,但也是由神经元之间高度非线性的相互作用驱动的。有趣的是,这些非线性特征在宏观尺度上被过滤掉,因此可以代表可用于微观尺度干预策略的神经元特征。这篇论文展示了多尺度动力学研究的实用性,在斑马鱼幼鱼,连接在微尺度上的神经元活动与突发性癫痫发作期间的属性。
2022-12-12 q-bio.NC
Grandmother cells and the storage capacity of the human brain
Quian Quiroga等人[Nature 435,1102(2005)]最近发现了似乎具有祖母(GM)细胞特征的神经元。在这里,我们定量评估他们的数据与GM细胞假说的兼容性。我们表明,与一般的印象相反,GM细胞表示可以是信息理论上有效的,但它必须伴随着细胞提供分布式编码的输入。我们提出了一个一般的方法来推断从一个样本的整个神经元群体的稀疏分布,并使用它来显示有两个群体的细胞:一个分布的代码人口不到约5%的细胞,和一个更稀疏的响应人口的推定GM细胞。考虑到未被检测到的沉默细胞的数量,我们发现假定的GM细胞可以编码10^5个或更多的类别,足以使它们成为经典的GM细胞,或者是编码记忆的GM样细胞。我们量化了对GM细胞检测的强烈偏见,并显示了我们的结果与以前的测量结果的一致性,发现只有分布式编码。我们将讨论神经系统和突触连接的架构的后果,并为神经放电的统计。
2007-02-26 q-bio.NC
The Sense of Place: Grid Cells in the Brain and the Transcendental Number e
当动物在空间导航过程中占据一个周期性的“网格场”时,大脑中的网格细胞就会做出反应。网格尺度沿内嗅皮层的背腹轴变化。我们建议,网格系统最大限度地减少所需的神经元的数量编码的位置与给定的分辨率。我们得出了几个与最近的实验相匹配的预测:(i)网格尺度遵循几何级数,(ii)对于理想化的神经元,相邻网格尺度之间的比率是e的平方根,对于现实神经元,该比率稳健地位于1.4-1.7的范围内,(iii)尺度比率在动物内和动物之间适度变化,(iv)网格尺度与该尺度下的各个网格场宽度之间的比率也在该范围内。(v)网格场位于三角形晶格上。该理论还预测了一维和三维的最佳网格,以及离散尺度的总数。
2013-03-29 q-bio.NC
Coupled effects of channels and synaptic dynamics in stochastic modelling of healthy and Parkinson's-disease-affected brains
我们的大脑是一个复杂的信息处理网络,其中神经系统接收来自环境的信息,以快速对传入的事件作出反应,或从经验中学习以提高我们的记忆力。在神经系统中,大脑状态翻译通过突触连接互连的神经元的集体活动。在本文中,我们研究了健康脑细胞随机影响下的通道和突触动力学的耦合效应,并将其应用于帕金森病(PD)。特别是,我们调查的随机输入的影响,在丘脑底核(ESTA)细胞膜电位模型。神经元爆发现象和帕金森病运动功能减退症状密切相关,因为调节神经元爆发的电和化学操作足以改善或模拟帕金森病运动缺陷。脑深部电刺激(DBS)是一种重要的手术技术,用于治疗PD症状。我们的数值计算结果表明,随机输入强烈影响的尖峰活动的神经元不仅在健康的细胞的情况下,但也在存在DBS治疗的PD细胞的情况下。具体地,系统中随机不应期与随机输入电流一起的存在可以显著地影响输出神经元的脉冲序列的增加的不规则性。
2022-06-16 q-bio.NC
Hi-M imaging of chromatin architecture in adult Drosophila brain cryosections
Centre de Biologie Structurale, Univ Montpellier, CNRS UMR5048, INSERM U1054(结构生物学中心,蒙彼利埃大学,法国国家科学研究中心UMR5048,INSERM U1054)
本文介绍了一种适用于成年果蝇脑冷冻切片的Hi-M成像工作流程,结合FISH、微流控和计算追踪,在保留组织结构的同时实现染色质三维结构分析。
2026-09-09 q-bio.NC
Cell-type-specific microarray data and the Allen atlas: quantitative analysis of brain-wide patterns of correlation and density
成年小鼠脑的Allen图谱用于估计64种细胞类型的区域特异性,这些细胞类型在小鼠脑中的转录谱已经在微阵列实验中测量。我们使用脑基因表达分析工具箱中实现的技术系统地分析了[arXiv:1111.6217]中提出的初步结果。特别是,对于研究中的每个细胞类型特定的样本,我们计算了全脑范围内的艾伦图谱相关性,并通过求解小鼠大脑中每个体素的二次优化问题来估计全脑范围内的密度分布。我们通过对Allen参考图谱中描绘的左半球区域进行排名来表征相关性和密度分布的神经解剖学特性。我们将这些排名与提取细胞类型特异性样本的大脑区域的先前生物学知识进行比较。
2013-10-12 q-bio.NC q-bio.QM
Automated identification of neural cells in the multi-photon images using deep-neural networks
Yonsei University College of Medicine(延世大学医学院);Yonsei University(延世大学)
神经科学成像技术的进步产生了前所未有的神经细胞成像数据,这需要自动化处理。特别地,从双光子图像中识别细胞需要从各种材料中分割神经细胞并根据其细胞类型对分割的细胞进行分类。为了自动分割神经细胞,我们使用U-Net模型,然后使用迁移学习技术对兴奋性和抑制性神经元以及胶质细胞进行分类。对于迁移学习,我们测试了三个公共模型resnet 18,resnet 50和inceptionv 3,在将完全连接层替换为三个类之后。最好的分类性能被发现与inceptionv 3的模型。深度学习技术的拟议应用有望为神经科学大数据时代的细胞识别提供一种关键方法。
2019-09-25 cs.LG cs.SY eess.IV
Modeling the Nervous System as An Open Quantum System
提出了一种多神经元交互系统的神经网络模型,该模型模拟神经元通过神经元胞体周围环境进行交互。我们将神经元细胞周围的神经元细胞,包括树突、轴突和突触以及周围的神经胶质细胞,物理建模为神经元动作电位的电路环境中产生的各种振荡模式的集合。通过开放量子系统的主方程方法分析该神经模型的动力学,我们研究了神经元的集体行为。在对神经网络施加刺激后,神经元集体状态被激活并显示动作电位行为。我们发现,该模型能够产生随机的神经元-神经元相互作用,能够从物理上描述神经系统中的信息传递过程,为理解神经系统的动力学行为提供了一条潜在的途径。
2021-07-02 q-bio.NC quant-ph
Perception and recognition in a neural network theory in which neurons exhibit hysteresis
提出了一种视觉感知与识别的神经网络理论。信息既从视网膜流向大脑,又从大脑流向视网膜。有报道说,当一个场景被感知时,50个视网膜细胞比其他任何视网膜细胞都活跃得多,这在理论上具有重要意义。该理论涉及表现出滞后的神经元,而不需要在学习过程中突触连接强度的任何变化。大脑能够非常迅速地识别人脸和其他物体的事实在理论的背景下进行了讨论。这一理论可以概括为“我们用眼睛看,用大脑记”。
2007-12-31 q-bio.NC
A cell-type based model explaining co-expression patterns of genes in the brain
大部分基因组在脊椎动物大脑中表达,单个基因表现出不同的空间变化模式。这些变异不是独立的,成对的基因表现出复杂的共表达模式,使得两个基因可能在一个区域中类似地表达,但在其他区域中差异表达。这些相关性以前已经定量研究,特别是小鼠大脑的基因表达图谱,但共表达模式的生物学意义仍然模糊。我们提出了一个简单的模型的共同表达模式的空间分布的基础细胞类型。我们建立了一个测试集的细胞类型的基因表达档案和空间分布是已知的模型的可扩展性。
2012-01-05 q-bio.NC q-bio.QM
Cell-type-specific transcriptomes and the Allen Atlas (II): discussion of the linear model of brain-wide densities of cell types
成年小鼠脑的体素化Allen Atlas(分辨率为200微米)已用于[arXiv:1303.0013],以估计64种细胞类型的区域特异性,这些细胞类型在小鼠脑中的转录谱已在微阵列实验中测量。特别是,该模型产生了对这些细胞类型中的每一种的全脑密度的估计。我们进行了数值实验,以估计估计的密度分布的误差。首先,我们检查基于200个精心选择的基因的模拟丘脑概况可以将信号从小脑浦肯野细胞转移到丘脑。这启发我们通过反复随机抽取200个基因并重新调整模型来对基因图谱进行子采样。这导致密度分布的随机分布,可以与模型的预测进行比较。这导致通过原始和子采样密度分布之间的重叠对细胞类型进行排序。高级别的细胞类型包括中等棘状神经元、皮质锥体神经元、海马锥体神经元、颗粒细胞和脑干胆碱能神经元。在具有较低秩的某些情况下,平均子样本可以具有比原始模型更好的对比度特性(这是来自腹侧中脑的杏仁核神经元和多巴胺能神经元的情况)。最后,我们通过使用加权随机矩阵的标量参数混合它们来向细胞类型特异性转录组添加一些噪声。改装后的模型,我们观察到比混合参数的$5\%$导致修改的密度分布,跨越相同的间隔,从二次采样。
2014-02-18 q-bio.NC q-bio.QM
Brain Model of Information Based Exchange
在这里,我们描述了一个“基于信息的交换”模型的大脑功能,归因于新皮层,基底神经节,丘脑不同的网络功能。该模型使我们能够分析整个大脑系统的设定点措施,如在疾病扰动的背景下,在纹状体和新皮层的转换率和异质性。我们的闭环模型在特定的组织界面及其主要细胞突触处调用不同形式的可塑性来实现这些转变。通过调制信息为基础的交流建模的新皮层区域之间的动作电位,我们观察到这些措施的变化模拟。我们假设类似的动态设定点和调制存在于大脑的静息状态活动中,并且基于信息交换的生殖细胞修饰可能会增加疾病的风险,如亨廷顿氏病,帕金森氏病和阿尔茨海默氏病。模型中不同组织界面处的突触可塑性的干扰可用于从维持系统设定点的全局动态的定量分析来估计系统功能障碍和神经元细胞死亡的风险。该模型的目标是使用IBM的神经组织模拟器进行进一步开发,该模拟器允许对网络,组织及其神经和突触组件进行可扩展的阐述,以实现更大的复杂性和生物现实主义。在每个建模的神经组织内进行这些模拟允许在活体脑组织中进行治疗干预的计算机研究。
2015-09-15 q-bio.NC
Discovering Neuronal Cell Types and Their Gene Expression Profiles Using a Spatial Point Process Mixture Model
对构成单个脑区域回路的神经元细胞类型进行分类是现代神经科学和BRAIN计划的主要目标。单细胞RNA测序现在可以用来测量单个神经元的基因表达谱,并根据其基因表达谱对神经元进行分类。虽然单细胞技术非常强大,前景广阔,但目前仍然是劳动密集型的,每个细胞的成本很高,最重要的是,不能提供大脑特定区域细胞类型空间分布的信息。我们提出了一种互补的方法,使用计算方法来推断细胞类型和它们的基因表达配置文件,通过分析全脑单细胞分辨率原位杂交(ISH)图像中所包含的艾伦脑图谱(ABA)。我们测量每个基因的ISH图像中标记的神经元的空间分布,并将其建模为空间点过程混合物,其混合权重由表达该基因的细胞类型给出。通过拟合点过程混合模型联合ISH图像,我们推断每个细胞类型的空间点过程分布和它们的基因表达谱。我们使用最近发表的小鼠体感皮层的单细胞RNA测序数据验证了我们对细胞类型特异性基因表达谱的预测。结合基因表达谱,推断每种细胞类型的细胞特征,例如细胞大小、方向、强度和局部密度水平。
2016-06-11 q-bio.NC stat.ML
SpaceTx: A Roadmap for Benchmarking Spatial Transcriptomics Exploration of the Brain
绘制转录组细胞类型的空间分布对于了解大脑及其特殊的细胞异质性和空间组织的功能意义至关重要。空间转录组学技术有望完成这些测量,但每种方法使用不同的实验和计算协议,具有不同的权衡和优化。2017年,SpaceTx联盟成立,以比较这些方法并确定它们是否适合大规模空间转录组图谱。SpaceTx的工作包括组织处理、分类学发展、基因选择、图像处理和数据标准化、细胞分割、细胞类型分配和可视化方面的进展。虽然自SpaceTx开始以来,实验方法的前景发生了巨大变化,但对大脑中空间转录组学方法的定量和详细基准测试的需求仍然没有得到满足。在这里,我们总结了SpaceTx的工作,并强调了空间转录组学发展成为一个成熟的领域所面临的突出挑战。我们还讨论了我们的进展如何为将来的空间转录组学方法提供基准路线图。该联盟的数据和分析以及代码和方法可在https://spacetx.github.io/上公开获得。
2023-01-20 q-bio.GN q-bio.NC
Learning a model of shape selectivity in V4 cells reveals shape encoding mechanisms in the brain
York University(约克大学)
在V4中,将早期视觉信号转换为曲率表示的机制尚不清楚。我们提出了一个分层模型,揭示了V1/V2编码,这是必要的组件,这种转换到报告的曲率表示在V4。然后,通过放松经常施加的先验的一个单一的高斯,V4形状的选择性是从猕猴V4响应的层次结构的最后一层学习。我们发现,V4细胞整合多个形状的部分,从他们的感受野具有类似的兴奋性和抑制性的贡献的完整的空间范围。我们的研究结果揭示了V4神经元形状选择性的现有数据中的新细节,通过进一步的实验可以增强我们对这一领域处理的理解。因此,我们提出了一个刺激集的设计,允许删除形状的部分,而不干扰曲率信号,以隔离V4响应的部分贡献。
2022-06-15 cs.CV q-bio.NC
Multiplicative modulations in hue-selective cells enhance unique hue representation
York University(约克大学)
关于大脑中的颜色处理机制以及从视锥细胞-对手表征到感知色调的转换,还有很多东西需要了解。此外,目前还不清楚大脑中的哪些区域代表独特的色调。我们提出了一个层次模型的启发,在大脑中的神经元机制的局部色调表示,它揭示了色调表示的每个视觉皮层区域的贡献。局部色调编码是通过逐渐增加的处理非线性与锥输入开始。除了采用非线性整流,我们提出了乘法调制作为一种形式的非线性。我们的模拟结果表明,乘法调制有显着的贡献,在编码的色调沿中间方向的MacLeod-Boynton图和模型V4神经元有能力编码独特的色调。此外,我们的模型神经元的反应类似于生物颜色细胞的反应,这表明我们的模型提供了大脑颜色处理途径的新配方。
2019-07-03 cs.AI q-bio.NC
Disentanglement with Biological Constraints: A Theory of Functional Cell Types
Stanford(斯坦福大学);Oxford(牛津大学);UCL(伦敦大学学院)
该研究从数学上证明神经元的非负性和能量效率等生物学约束能促进解耦表示,在多种任务和架构中有效,并解释了大脑细胞类型划分及表示纠缠的机制。
2026-10-20 cs.LG cs.NE q-bio.NC
Spectral Resolution Clustering for Brain Parcellation
我们从图像科学的角度来研究功能活动下大脑网络连接的问题。但是,适应图像分辨率的概念,这个问题,我们提供了一个新的角度对网络分区的个人大脑parcellation。这里的典型目标是通过选择要切割的最佳边来确定较大网络中的密集互连子网络。相反,我们将这些子网络定义为分辨率单元,其中单元内的高度相关活动使得难以从数据中确定边权重。通过聚类将分辨率估计细分为不相交的分辨率单元,产生了谱聚类的新变化和新视角。这为开放性问题提供了见解和策略,例如模型阶数的选择和功能成像数据预处理步骤的最佳选择。使用功能成像数据证明了该方法,我们发现所提出的方法产生的包裹在多次扫描中比传统方法更具预测性,以及与替代形式的谱聚类。
2018-10-07 cs.SI q-bio.NC
Mesoscopic Collective Activity in Excitatory Neural Fields: Cross-frequency Coupling
在大脑中,交叉频率耦合被假设是由专门的微电路活动引起的。例如,θ-γ耦合被假定为由专门的细胞对(PING和ING机制)或特殊细胞(例如,快速爆发神经元)。然而,这意味着产生机制是大脑特有的。事实上,跨尺度耦合是所有大型多尺度系统物理学中都会遇到的一种现象:不同尺度分量之间的相位和振幅相关性是非线性相互作用的结果。因为大脑也是一个多尺度系统,所以大脑中必须有类似的机制。在这里,我们将大脑活动表示为由神经元群体支持的时空活动(集体活动)的非线性相互作用模式的叠加。交叉频率耦合是非线性相互作用的直接结果,并且不需要专门的细胞或细胞对。因此,它是普遍的,必须在任何组成的神经领域中活跃。为了强调这一点,我们证明了兴奋领域的现象。虽然毫无疑问,特化细胞在θ-γ耦合中发挥作用,但我们的研究结果表明,耦合机制同时更简单和更丰富:更简单是因为它涉及非线性的普遍原理;更丰富是因为集体活动的非线性可能由特化细胞群体以尚待理解的方式进行调节。
2022-07-06 q-bio.NC q-bio.QM
Nonlocal Models in the Analysis of Brain Neurodegenerative Protein Dynamics with Application to Alzheimer's Disease
众所周知,今天世界人口中有六分之一的人患有神经退行性疾病。虽然已经开发了许多用于检测、预防和治疗此类疾病的医疗设备,但相关疾病进展的一些基本原理迫切需要进一步澄清。在本文中,我们专注于阿尔茨海默氏病,在那里,它被认为是淀粉样β蛋白和tau蛋白的浓度变化在其发病和发展中发挥了核心作用。提出了一个多尺度模型来分析这些浓度在大脑连接体中的传播。特别地,我们考虑了一个改进的异二聚体模型的蛋白质相互作用。高毒性浓度的淀粉样β蛋白和tau蛋白会破坏脑细胞。我们已经研究了这些传播的主要和次要的和他们的混合tau病变。我们通过脑细胞中存在的这些毒性负荷的非局部贡献来模拟脑细胞的损伤。借助于严格的分析,我们检查了相应的齐次系统的稳定性行为的稳定点。在将大脑连接体数据整合到开发的模型中之后,我们看到整个大脑的毒性浓度的传播模式是相同的,但它们的浓度在不同区域是不同的。此外,在大脑连接体的每个区域传播损伤的时间是不同的。
2021-12-22 math.DS q-bio.NC
Multi Scale Graph Neural Network for Alzheimer's Disease
本文开发了多尺度图神经网络模型ALZ PINNACLE,利用大脑组学数据学习上下文感知的蛋白质与细胞表征,揭示了APOE在AD中的细胞类型特异性作用,为AD神经生物学研究提供了新框架。
2024-11-16 cs.LG q-bio.NC q-bio.QM
Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals
Cleveland State University(克利夫兰州立大学)
大脑信号构成了由数百万大脑神经元(神经细胞和脑细胞)处理的信息。这些脑信号可以使用各种非侵入性技术记录和分析,如脑电图(EEG),脑磁图(MEG)以及脑成像技术,如磁共振成像(MRI),计算机断层扫描(CT)和其他,这将在本文中简要讨论。本文讨论了目前新兴的技术,例如使用不同的深度学习(DL)算法来分析这些大脑信号,以及这些算法如何通过应用信号解码策略来帮助确定一个人的神经状态。
2021-12-30 cs.AI cs.CV cs.LG
Systems biology: From the cell to the brain
随着人类基因组图谱的完成,科学家们试图解释生命系统的生物复杂性的重点正在从分析单个组件(如特定的基因或生化反应)转移到理解大量组件之间的相互作用,这些组件导致生物体的不同功能。为此,系统生物学领域试图通过关注相互作用网络而不是其孤立部分的特征来实现对生物学的“系统级”描述。在这篇文章中,我们简要描述了一些新兴的主题研究“网络”生物学,着眼于动态过程发生在两个不同的长度尺度的细胞内和细胞之间,即,细胞内信号网络和神经系统。我们表明,专注于这些问题的系统级方面,可以观察到令人惊讶的和启发性的共同主题。
2010-01-27 physics.bio-ph q-bio.MN q-bio.NC
Determinantal Point Process Attention Over Grid Cell Code Supports Out of Distribution Generalization
Princeton University(普林斯顿大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出结合网格细胞编码与DPP-A注意力的算法,利用最大稀疏空间覆盖机制,使常见神经网络在类比和算术任务上实现强OOD泛化。
2024-01-23 cs.LG q-bio.NC
Do psychic cells generate consciousness?
The University of Osaka(大阪大学);University of Amsterdam(阿姆斯特丹大学);University of Tartu(塔尔图大学)
本文回顾了大脑意识处理的细胞水平机制,指出皮质锥体神经元(即“心灵细胞”)及其树突上的特定代谢型受体是麻醉导致意识丧失时反馈信号选择性中断的关键机制。
2025-06-25 cs.AI q-bio.NC
Towards a "universal translator" for neural dynamics at single-cell, single-spike resolution
Columbia University(哥伦比亚大学);Stanford University(斯坦福大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Georgia Institute of Technology(佐治亚理工学院);Mila, McGill University(米拉-麦吉尔大学);Champalimaud Foundation(尚帕利莫基金会);The International Brain Laboratory(国际大脑实验室)
本文提出首个针对神经脉冲数据的基础模型,采用新型多任务掩码自监督方法交替掩盖并重建神经活动,显著提升了群体模型在多任务上的性能及对未见动物的泛化能力。
2024-07-23 cs.LG cs.NE q-bio.NC
The Cerebellum: New Computational Model that Reveals its Primary Function to Calculate Multibody Dynamics Conform to Lagrange-Euler Formulation
University of Prishtina(普里什蒂纳大学)
小脑是大脑的一部分,只占大脑体积的10%,但它包含了大约80%的大脑神经元总数。开发了新的小脑功能模型,该模型将小脑回路设置在多体动力学模型计算的背景下,作为控制平衡和运动协调的重要步骤,这两个功能由小脑的两个最古老的部分执行。该模型对颗粒细胞-高尔基细胞回路进行了新的功能解释,包括上、下高尔基细胞树突树的不同功能,解决了浦肯野细胞之间共享颗粒细胞的问题。根据分子层中的位置为篮状细胞和星状细胞设置新功能。新的模型可以轻松直接地整合来自前庭系统和皮肤机械感受器的感觉信息,用于平衡,运动和与环境的互动。模型解释了浦肯野细胞在小脑深核的会聚。
2014-02-24 cs.CE cs.NE cs.RO
Neuronal Cell Type Classification using Deep Learning
Bar-Ilan University(巴伊兰大学)
本文提出一种可解释深度学习框架,基于电生理活动对小鼠和人类神经元进行细胞类型、宽泛类型及转基因品系分类,并通过领域自适应取得最先进性能。
2023-06-01 cs.LG eess.SP q-bio.NC
Searching for collective behavior in a small brain
在大型神经元网络中,人们认为功能是通过许多相互连接的神经元的集体行为产生的。最近,实验技术的发展允许同时记录秀丽隐杆线虫(一种有302个神经元的线虫)所有神经元中的大部分神经元的钙浓度,这创造了一个机会来询问这种出现是否是普遍的,甚至达到最小的大脑。在这里,我们测量了C中50多个神经元的活性。elegans,并通过建立最大熵模型来分析数据,该模型匹配这些神经元之间的平均活动和成对相关性。为了捕捉细胞反应的分级性质,我们为每个细胞分配了多个状态。这些模型,相当于一个家庭的波茨眼镜,成功地预测更高的统计结构的网络。此外,这些模型表现出集体行为的特征:单个细胞的状态可以从网络的其余部分的状态预测;网络,尽管在某种程度上类似于结构连接体,但在局部扰动时,其响应在全局上分布;网络状态的分布具有多个局部最大值,就像记忆模型一样;并且描述真实网络的参数在这类模型中接近临界面。
2018-10-17 cond-mat.dis-nn physics.bio-ph q-bio.NC
Deep brain fluorescence imaging with minimally invasive ultra-thin optical fibers
神经科学中的一个主要的开放性挑战是能够在大脑中任何地方以细胞分辨率测量和干扰来自明确定义的神经亚群的体内神经活动。然而,由于散射和吸收的限制,无法对深部(> 2 mm)结构进行非侵入性(表面)多光子方法,而梯度折射率(GRIN)内窥镜较厚,在插入时会造成严重损坏。在这里,我们展示了一种新型的显微内窥镜,通过一个多模光纤(MMF)探头,比市售的显微内窥镜薄5- 10倍,在任意深度的神经活动图像。我们展示了微米级分辨率,多光谱和体积成像。与以前的方法相比,我们表明,这种方法具有改善的采集速度,足以捕捉快速的神经元动力学在啮齿动物体内表达的遗传编码的钙指标。我们的研究结果强调了这项技术在神经科学应用中的潜力,并为以前无法到达的大脑区域的细胞分辨率成像开辟了可能性。
2017-11-09 physics.bio-ph physics.med-ph physics.optics