对比学习驱动的神经元形态分类新框架PRT-net：基于复杂残差结构与TreeLSTM的创新研究

针对神经元形态分类中数据复杂性和多样性挑战，安徽大学团队提出PRT-net框架，通过复杂残差结构(CRS)和TreeLSTM模块结合对比学习，在BIL/JML/ACT数据集实现78.45%/67.11%/58.95%分类准确率，较现有方法提升2.9-3.3个百分点，为神经环路功能研究提供新工具。

　　

在探索大脑奥秘的征程中，神经元形态研究始终是破解神经环路功能密码的关键钥匙。传统分类方法面对千变万化的神经元形态时，犹如用标尺丈量云彩——既难以捕捉锥体细胞复杂的树突分支，又无法量化中间神经元精细的空间分布。这种困境在NeuroMorpho.Org和Allen Brain Atlas等大型数据库时代愈发凸显：当显微镜分辨率从微米级跃升至纳米级，人工分类的局限性已成为制约神经科学发展的瓶颈。

安徽大学电子信息工程学院的研究团队在《Scientific Reports》发表的这项研究，直击神经元形态分类领域的三大痛点：形态复杂性导致特征提取困难、数据稀缺性制约模型泛化、传统方法对三维树状结构建模能力不足。通过创新性地融合复杂残差结构(Complex Residual Structure, CRS)与树状长短期记忆网络(Tree-Structured LSTM, TreeLSTM)，开发出PRT-net框架，在BIL、JML和ACT三个权威数据集上分别实现78.45%、67.11%和58.95%的分类准确率，较现有最优方法提升达3.3个百分点。

研究采用三大关键技术：1) 针对神经元三维树状结构特性设计的15种数据增强策略（包括几何变换、特征掩蔽和拓扑扰动），通过模拟病理形态变异增强模型鲁棒性；2) 双分支架构的CRS模块，通过特征空间对齐和动态权重分配，实现局部几何特征与全局拓扑信息的融合；3) 树状LSTM网络层，利用门控机制聚合子节点信息，精确建模神经元分支的层级依赖关系。

研究结果部分揭示：

1. 数据增强策略优化实验显示，几何变换与拓扑扰动的组合使ACT数据集准确率提升7.37%，证明空间不变性学习对形态分类至关重要。如图4所示，旋转、拉伸等操作有效模拟了生物样本制备过程中的形态变异。
2. 模块消融研究表明，CRS+GCN组合在BIL数据集获得95.95的Calinski-Harabasz指数，显著优于传统残差网络，验证了复杂残差连接对特征多样性的增强作用。
3. 跨数据集测试中，PRT-net在JML数据集67.11%的准确率较GraphCL方法提升16.51%，证实其对不同物种（小鼠/人类）神经元的泛化能力。

这项研究的突破性在于：首次将对比学习框架与神经元特异性网络结构深度结合，通过动量队列缓存机制解决高维形态数据的负样本存储难题。如图2所示的算法框架中，TreeLSTM模块通过式(19)-(20)的门控计算，实现对突触分支方向的动态建模，这对区分MG与VPM神经元亚型（图1）具有决定性作用。

讨论部分指出，虽然当前模型在16GB显存环境下才能实现32的批处理量，但提出的动态负样本筛选算法为边缘计算部署提供了可能。研究者特别强调，未来整合生成对抗网络(GAN)模拟神经退行性病变形态，将进一步提升模型在临床前研究中的价值。这项成果不仅为单神经元形态分析建立了新标准，其CRS模块的特征融合机制更为处理其他生物医学树状结构（如血管网络、支气管树）提供了普适性方案。正如论文结论所述："PRT-net框架的成功，标志着计算神经形态学从描述性分析向预测性建模的关键转变"。