面向神经元形态的自监督图表示学习
机器学习
2023-07-12 v3 机器学习
神经元与认知
摘要
无监督图表示学习近来在神经科学等多个应用领域引起关注，其中对大脑中细胞类型多样形态的建模是关键挑战之一。目前尚不清楚存在多少种兴奋性皮层细胞类型及其定义性形态特征。本文提出 GraphDINO，一种纯数据驱动的方法，用于从无标注大规模数据集中学习三维神经元形态的低维表示。GraphDINO 是一种基于 transformer 的、面向空间嵌入图的新颖表示学习方法。为实现 transformer 上的自监督学习，我们（1）开发了空间嵌入图的数据增强策略，（2）改进了位置编码，以及（3）引入了一种新颖的注意力机制 AC-Attention，其结合了基于注意力的节点间全局交互与经典图卷积处理。我们在两个不同物种和多个脑区上表明，该方法产生的形态细胞类型聚类可与专家基于人工特征的分类相媲美，且无需使用关于神经元结构特征的先验知识。此外，在预测专家标签的定量基准上它优于以往方法。我们的方法有可能实现大规模数据集中新颖形态特征和细胞类型的数据驱动发现。它可应用于神经科学之外的场景，即数据集中样本为图且需要图级嵌入的情形。
引用
@article{arxiv.2112.12482,
title = {Self-Supervised Graph Representation Learning for Neuronal Morphologies},
author = {Marissa A. Weis and Laura Hansel and Timo Lüddecke and Alexander S. Ecker},
journal= {arXiv preprint arXiv:2112.12482},
year = {2023}
}