基于机器学习的星形胶质细胞在神经元活动中的特征识别与调控机制研究

本研究聚焦星形胶质细胞（astrocytes）对神经元网络活动的调控作用，通过计算建模生成合成数据，对比同步/异步网络状态下的突触通讯差异。研究发现星形胶质细胞显著影响同步态突触传递，采用决策树（DT）、随机森林（RF）、前馈神经网络（FNN）等机器学习方法验证，其中FNN模型以87%准确率最优。该研究为通过平均放电率等实验可测指标检测胶质细胞功能提供了新范式。

　　

这项开创性研究揭示了大脑中占比最高的胶质细胞——星形胶质细胞（astrocytes）如何深度参与神经元网络的功能调控。通过构建计算模型生成合成神经电活动数据，科研团队系统分析了同步（synchronous）和异步（asynchronous）两种典型网络状态下，这些"神经保姆"细胞对突触传递的差异化影响。

研究发现，星形胶质细胞会像交响乐指挥般显著增强同步化神经网络的突触通讯效能。为精准捕捉这种调控特征，研究团队创新性地对比了多种数据提取方法，最终确定平均放电率（mean firing rate）是最佳识别指标。在算法层面，前馈神经网络（Feedforward Neural Networks）以压倒性优势战胜决策树（Decision Trees）、随机森林（Random Forests）等传统机器学习模型，最高实现87%的胶质细胞活动识别准确率。

该成果不仅证实了星形胶质细胞是神经信息处理的"隐形操盘手"，更开创了通过机器学习解码胶质-神经元对话的新范式。这些发现为阿尔茨海默病等神经退行性疾病的机制研究提供了全新视角——或许故障的"神经保姆"才是突触功能异常的始作俑者。