跨物种迁移学习用于皮层GABA能中间神经元电生理-转录组映射
机器学习
2026-03-12 v1 神经元与认知
摘要
单细胞电生理记录为神经元功能多样性提供了重要窗口，并为将内在生理学与转录组身份联系起来提供了一条可解释的途径。在此，我们使用公开可用的艾伦研究所Patch-seq数据集（来自小鼠和人类皮层），复制并扩展了Gouwens等人（2020）提出的电生理-转录组框架。我们聚焦于GABA能抑制性中间神经元，以针对一个跨物种可比且保守的亚类结构（Lamp5、Pvalb、Sst、Vip）。经过质量控制，我们分析了来自小鼠视觉皮层的3,699个神经元和来自神经外科切除的人类新皮层的506个神经元。使用标准化的电生理特征和稀疏PCA，我们重现了原始小鼠研究中报告的主要类别级分离。对于监督预测，类别平衡的随机森林在小鼠数据中提供了一个强大的特征工程基线，在人类数据中则提供了一个降低但仍具信息量的基线。然后，我们开发了一种基于注意力的BiLSTM，它直接对结构化的IPFX特征族表示进行操作，避免了sPCA，并通过学习到的注意力权重提供了特征族级别的可解释性。最后，我们评估了一个跨物种迁移设置，其中序列模型在小鼠数据上预训练，并在人类数据上针对对齐的四类任务进行微调，相对于仅使用人类数据的训练基线，提高了人类宏F1分数。总之，这些结果证实了Gouwens流程在小鼠数据中的可重复性，证明了序列模型可以匹配特征工程基线，并表明小鼠到人类的迁移学习可以为人类亚类预测提供可衡量的增益。
引用
@article{arxiv.2603.11000,
title = {Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons},
author = {Theo Schwider and Ramin Ramezani},
journal= {arXiv preprint arXiv:2603.11000},
year = {2026}
}