Трансформеры для расшифровки активности мозга при болезни Альцгеймера
В современной нейронауке методы прижизненной визуализации генерируют огромные объемы данных о работе нейронов, а традиционные статистические подходы не всегда способны выявить сложные временные связи в нейронных сетях. Двухфотонная и миниатюрная флуоресцентная микроскопия позволяют наблюдать активность мозга в реальном времени, но интерпретация таких записей требует новых аналитических инструментов.
Ученые Лаборатории анализа биомедицинских изображений и данных СПбПУ разработали NEuRT — модель на архитектуре BERT, адаптированную для анализа нейронной активности. Механизм самовнимания, изначально созданный для обработки текста, здесь оценивает взаимосвязи между временными участками кальциевых сигналов нейронов.
Модель предварительно обучили на открытом наборе MICrONS, содержащем записи активности 75 тысяч нейронов зрительной коры мыши. Часть последовательности скрывали, а NEuRT должна была восстановить пропущенные значения. Затем исследователи проверили, переносится ли этот опыт на данные другого типа — записи активности гиппокампа, полученные миниатюрным микроскопом у свободно двигающихся мышей.
Авторы продемонстрировали, что предварительно обученная модель успешно реконструирует активность в обоих наборах данных. Для записей миниатюрной микроскопии коэффициент детерминации превысил 0,98, несмотря на более высокий уровень шума по сравнению с двухфотонными данными.
На следующем этапе NEuRT применили для различения мышей дикого типа и трансгенных 5xFAD — модели болезни Альцгеймера. Точность распознавания животных с патологией превысила 98%. Анализ механизмов внимания показал, что наибольший вклад в классификацию вносят компоненты, отражающие средний уровень активности нейронов. При удалении наиболее значимых временных сегментов точность распознавания группы 5xFAD падала с 75% до 20%.
В работе сделан вывод о том, что NEuRT снижает зависимость от больших размеченных выборок и помогает выявлять признаки нарушений в нейронных сетях. Исследователи отмечают, что различия между группами в использованной модели болезни выражены сильно, а агрегирование данных может скрывать особенности отдельных нейронов. Дальнейшее развитие метода связано с сохранением нейронно-уровневой структуры и объединением активности мозга с поведенческими показателями.
.jpg)
