《PLOS Computational Biology》：Toward reliable machine learning models for neural circuit inference: A diagnostic study of CNNs on spike trains
编辑推荐：
理解神经元拓扑结构（即神经元之间的连接方式）对于揭示神经计算原理和功能组织至关重要。然而，由于神经记录的间接性和网络动力学的复杂性，准确重建这种连接关系仍然面临挑战。作为解决该问题的第一步，越来越多的研究工作尝试直接从尖峰数据推断单突触连接。其中，卷积神经网络
理解神经元拓扑结构（即神经元之间的连接方式）对于揭示神经计算原理和功能组织至关重要。然而，由于神经记录的间接性和网络动力学的复杂性，准确重建这种连接关系仍然面临挑战。作为解决该问题的第一步，越来越多的研究工作尝试直接从尖峰数据推断单突触连接。其中，卷积神经网络（CNN）在应用于尖峰序列交叉相关图（CCG）时展现出良好的前景。尽管如此，这些模型在现实实验变异性下的泛化能力以及驱动其预测的内部特征仍未被充分理解。本文通过跨广泛生物物理参数范围的模拟，对基于神经网络的突触推断进行了系统性的基准测试和诊断研究。研究人员发现，连接分类和突触权重估计虽然常常被结合使用，却依赖于截然不同的内部表征，并表现出显著不同的泛化行为：稳健的连接模型强调尖峰序列相关性的全局结构，而权重估计模型对局部信号幅度更为敏感，且泛化能力较难预测。重要的是，研究人员发现，在基于生物学基础、汇总的多条件模拟数据上训练模型，能显著提升对参数扰动的鲁棒性，优于在单一条件下训练的模型。研究人员进一步在模拟网络数据和一个具有膜片钳验证真实连接的高密度微电极阵列（HD-MEA）体外数据集上验证了这些发现。在多样化模拟电路上训练的模型能够有效泛化到新颖的网络架构和实验数据集。综上，这些结果表明，在训练过程中纳入生物学上真实的多样性，对于开发可靠的、用于从神经记录中进行大规模突触推断的机器学习工具至关重要。
**论文解读：面向可靠神经回路推断的CNN诊断研究**
**研究背景与问题**
理解神经元之间的连接模式（即神经元拓扑结构）是揭示神经计算原理和功能组织的基础。然而，由于神经记录的间接性以及网络动力学的复杂性，准确重建这种连接关系仍面临巨大挑战。传统的解剖学重建方法虽能揭示连接的结构布局，却难以反映神经元间通信的强度或动态特性；而基于尖峰序列或钙成像信号的功能相关性分析，又常常受到间接连接或共享输入效应的干扰。因此，推断直接的突触连接（即单突触连接）成为连接神经活动与回路功能的关键一步。细胞外记录技术（如高密度微电极阵列HD-MEA、Neuropixels探针和钙成像）虽能同时记录数百至数千个神经元的活动，却无法直接解析突触接触。因此，从尖峰序列中推断单突触连接成为核心分析目标。自20世纪70年代以来，尖峰间交叉相关图（CCG）被广泛用于通过识别零时间延迟附近的窄峰或窄谷来推断突触连接。然而，CCG并非静态平稳信号，其形态高度可变，受兴奋/抑制平衡、背景突触噪声、连接密度、爆发活动、突触连接强度、回路活动水平及记录时长等多种生物和实验因素影响，这些因素可能扭曲或掩盖突触特征。近年来，机器学习技术被引入该领域，其中卷积神经网络（CNN）直接学习原始CCG获得较好性能，但以往研究主要关注整体性能指标，对CNN内部特征表征、跨生物变异性或领域偏移的泛化能力缺乏机制性理解。因此，本研究旨在系统性地评估和诊断CNN在突触推断中的可靠性，揭示其失败模式，并探索提升泛化能力的策略。
**研究内容与结论**
研究人员构建了一个完整的计算流程，将神经元网络模拟、CCG生成和CNN推断相连接。研究人员首先在含100个漏电整合发放（LIF）神经元的递归网络上模拟了尖峰序列，计算成对CCG并标注真实连接和突触权重，用于训练两个功能互补的CNN模型：ConnCNN（连接存在性二分类）和WeightCNN（突触强度连续回归）。通过系统优化，最终架构包含两个卷积块（每个含卷积层、批归一化和Tanh激活），后接平均池化、丢弃层和全连接输出层。在合成的基准数据集上，ConnCNN达到95.38%的测试准确率，WeightCNN的均方误差（MSE）为0.008。
为了系统评估CNN的鲁棒性，研究人员设计了简化的40个突触前神经元投射至单个突触后神经元的基准测试框架，对四个关键生物物理参数进行受控扰动：背景噪声均值（μ）、突触前爆发概率（BP）、兴奋性/抑制性神经元比例（E/I ratio）和突触权重缩放（w）。对每个参数，研究人员在固定基线参数组合上训练CNN，然后在仅改变单一参数的系统扰动数据集上测试。共评估了10个基线配置，每个配置在50个独立随机种子上训练和测试。诊断分析采用三步法：分析最后一个卷积层的特征图均值（FMM）分布以表征内部表征；训练随机森林（RF）模型用CCG指标预测CNN是否正确分类，并用SHAP分析量化指标贡献；将FMM值与关键指标关联以理解内部激活与输入统计的关系。
结果显示，连接分类中，鲁棒性高的模型表现出双极FMM分布（兴奋性连接和抑制性连接分离），而泛化能力弱的模型表现为单峰FMM，表明特征分化不足。SHAP分析表明，泛化能力强的模型减弱了对绝对偏转幅度的依赖，转而均衡利用多个互补统计线索（峰值/谷值-噪声比、归一化熵和局部KL散度）。相反，弱模型的失败源于对绝对信号强度的过度依赖，而非CCG的关系结构。当基线模型在E/I扰动下测试时，正确与错误预测的样本在FMM-指标空间中出现清晰分离，显示模型决策边界与CCG幅度密切相关。与连接分类不同，权重回归模型（WeightCNN）表现出更窄的泛化范围，没有一致的双极FMM模式，正确与错误预测样本在特征空间中重叠，SHAP分析显示幅度线索与全局统计线索的贡献差距较小，表明其依赖更复杂的组合特征整合而非单一线索。XGBoost交互分析进一步显示，成功预测出现在峰值高度和熵协同贡献的区域，而失败预测则集中在交互较弱或由单一线索主导的区域。
受“更丰富或更异质的训练数据能提升泛化”的启发，研究人员将在所有基线数据集并集上训练的池化模型（OmniConn和OmniSyn）与单一基线模型进行比较。OmniConn在所有扰动域中保持近乎完美的准确率，而OmniSyn虽未达到相同水平，但显著提升了稳定性，避免了灾难性失败。这表明，暴露于足够多样的训练条件可使CNN获得泛化能力，单一基线模型的差泛化源于表征偏差而非架构限制。
为验证CNN对绝对CCG幅度的敏感性能否在不进行多域重训练的情况下得到缓解，研究人员采用了尾部参考归一化（将CCG相对于外延时区波动进行缩放）。在连接任务中，基于缩放CCG训练的模型在所有扰动中泛化能力显著提升，但大规模失败被消除，仅保留轻度退化；在权重推断中，缩放模型也获得更低且更稳定的平均损失。然而，池化缩放模型（OmniConn和OmniSyn）的表现不如原始对应物，表明幅度归一化虽能在受控扰动中增强鲁棒性，但会削弱绝对CCG幅度携带的任务相关信息，反映了方差减少与机制信号保留之间的权衡。
为评估CNN鲁棒性是否扩展到非平稳扰动，研究人员引入了全局发放率调制，使突触前发放率在模拟内不同时间段变化，同时保持连接和突触参数不变。设置了五种调制模式：Base（恒定20 Hz）、Mild（15–20–25 Hz）、Moderate（10–20–30 Hz）、Strong（5–15–25–35 Hz）和Mean-shifted（5–15–30–45 Hz）。结果显示，ConnCNN在Base、Mild、Moderate和Strong模式间相互泛化良好，但在Mean-shifted数据集上测试时准确率崩溃至随机水平（约50%）；而Mean-shifted训练的模型可部分泛化回低调制模式。WeightCNN在相邻调制模式间泛化良好，但随调制差异增大而性能退化。这表明CNN对时间发放率波动具有较强耐受性，但对全局活动统计的大幅偏移更为敏感，且权重推断比连接分类对活动分布偏移更敏感。
最后，研究人员评估了跨域模型在更复杂环境中的泛化能力，包括模拟递归网络和体外HD-MEA数据集（含膜片钳验证的真实连接）。当在四个不同模拟网络的池化CCG上训练时，OmniConn在未见网络上的准确率达93.72%（原始输入），OmniSyn的MSE为0.0135；扩展到六个网络后，准确率进一步提高至95.2%（原始输入）。在HD-MEA数据集上，四网络和六网络OmniConn的MCC分别为0.483和0.62，优于CoNNECT（0.43），其中六网络模型接近eANN（0.56）的水平。六网络模型在特异性上显著提升（0.95），但敏感性略低（0.62），四网络模型则敏感性更高（0.73）但特异性较低（0.76），揭示了不同方法间的敏感性-特异性权衡。
**关键技术方法**
本研究采用的主要技术方法包括：1）基于漏电整合发放（LIF）神经元的尖峰网络模拟，结合Ornstein-Uhlenbeck（OU）过程模拟背景粉红噪声，并通过几何分布过程引入爆发性尖峰发放；2）构建最小40→1电路和多种递归网络拓扑，生成带有真实连接标签的成对交叉相关图（CCG）数据集；3）设计并优化CNN架构，包括单输入和双输入（原始+幅度归一化）变体，分别用于连接分类（ConnCNN）和权重回归（WeightCNN）；4）采用特征图均值（FMM）、随机森林（RF）分类和SHAP（Shapley Additive exPlanations）分析进行内部表征诊断；5）使用尾部参考归一化处理CCG，并采用全局发放率调制模拟非平稳活动状态；6）在体外HD-MEA数据集上进行跨域验证，该数据集来自Donner等人（2024）的公开数据，包含131个候选连接，其中26个经膜片钳验证。
**研究结果分述**
- **合成数据流程与CNN优化性能**：建立了从网络模拟到CCG生成再到CNN推断的完整流程，优化后的CNN架构在测试集上达到95.38%的分类准确率，权重回归MSE为0.008，为后续系统基准测试和可解释性分析建立了基线。
- **跨生物物理扰动的可控基准测试**：设计了40→1电路，对四个生物物理参数（背景噪声、爆发概率、E/I比率、突触权重）进行系统扰动，揭示了CNN性能退化模式与训练条件间的依赖关系。
- **连接推断的诊断分析**：鲁棒模型表现出双极FMM分布和均衡的多线索依赖，而弱模型过度依赖绝对幅度；E/I扰动下的失败源于绝对信号强度依赖而非关系结构。
- **池化训练提升连接模型泛化**：在多基线并集上训练的OmniConn在所有扰动域保持近完美准确率，证实了训练多样性对泛化的关键作用。
- **权重推断的诊断分析与池化训练效应**：权重回归模型缺乏一致的内部表征模式，依赖组合特征整合；OmniSyn虽未达到OmniConn的水平，但显著提升了跨条件稳定性。
- **幅度归一化基准测试揭示鲁棒性与信号保真度之间的权衡**：归一化增强了单域扰动下的鲁棒性，但降低了跨域泛化能力，表明绝对幅度同时包含干扰变异和任务相关信息。
- **全局发放率调制揭示对活动分布偏移的敏感性**：CNN能容忍时间发放率波动，但对全局活动统计的大幅偏移敏感，权重推断比连接分类更易受影响。
- **对新颖模拟和体外数据的跨域泛化**：在多个模拟网络上训练的池化模型能有效泛化到未见网络架构和体外HD-MEA数据，其性能达到或超过现有方法。
**讨论与结论**
讨论部分指出，连接分类和权重估计依赖不同的内部表征机制：前者锚定于全局时间组织，后者由局部和全局特征的复杂组合塑造，这为统一模型带来了内在权衡。池化训练通过暴露更广泛的生物物理变异性，正则化特征空间并抑制对特定幅度或时间尺度统计的专门化，从而显著提升跨域鲁棒性。幅度归一化在受控扰动中有效，但在跨域场景中会削弱信息特征，反映了方差减少与机制信号保留之间的张力。研究还指出，直接处理原始尖峰序列的替代方法面临稀疏性和跨神经元时间依赖编码等挑战。局限性包括：实验验证仅限于单一体外数据集；基于成对CCG的局部推断缺乏网络级上下文信息；未控制或表征网络活动的不同动力学状态；架构限于传统CNN；以及时间下采样条件下（如钙成像）的适用性尚待探索。总之，本研究建立了一个评估和改善突触推断机器学习模型的基准框架，通过将性能退化与具体生物物理扰动和内部特征结构关联，揭示了实现可靠泛化所需的信号特征和归纳偏差，强调生物多样性训练和机制可解释性是构建鲁棒、可迁移模型的双重支柱，为大规模神经回路重建的实际应用奠定了基础。
