用于体外多电极阵列记录分类的深度学习框架
神经元与认知
2019-06-07 v1 机器学习
信号处理
摘要
多电极阵列（MEA）已广泛用于记录神经元活动，可用于基因缺陷与药物作用的诊断。本文中，我们解决对不同基因型小鼠与人神经元培养物的体外MEA记录进行分类的问题，其中没有直接利用原始序列作为输入训练端到端分类模型的简便方法。虽然手工仔细提取某些特征可部分解决问题，但该方法存在明显缺陷如难以泛化。我们提出一个深度学习框架应对此挑战。我们的方法正确分类了两种不同基因型制备的神经元培养数据——小鼠delta-catenin基因敲除与威廉姆斯综合征来源人诱导多能干细胞衍生神经元。通过将长记录切分为短片段训练，并在测试时应用共识预测，我们的深度学习方法相比基于特征的逻辑回归在小鼠MEA记录上预测准确率提升16.69%。我们进一步在小鼠MEA记录数据的一个子集（均为体外六天记录）中使用共识预测达到95.91%准确率。随着高密度MEA记录更易获得，该方法可泛化用于携带不同突变神经元的分类与药物反应分类。
引用
@article{arxiv.1906.02241,
title = {A Deep Learning Framework for Classification of in vitro Multi-Electrode Array Recordings},
author = {Yun Zhao and Elmer Guzman and Morgane Audouard and Zhuowei Cheng and PaulK. Hansma and Kenneth S. Kosik and Linda Petzold},
journal= {arXiv preprint arXiv:1906.02241},
year = {2019}
}
备注
14 pages, in ICDM 2019