应用机器学习模型识别动情周期各阶段神经电生理特性的差异

《Neuroinformatics》：Application of Machine Learning Models to Identify Differences in Neural Electrophysiological Properties Across Estrous Cycle Phases

　　

机器学习模型（machine learning models, MLMs）已被用于基于电生理属性对神经元亚型进行分类。但将MLMs用于评估同一神经元类型内部的差异，尤其是在神经调质（如啮齿动物动情周期）诱导的细微变化背景下，相关探索较少。既往研究发现，动情周期可改变大鼠伏隔核（nucleus accumbens, NAc）中型多棘神经元（medium spiny neuron, MSN）的电生理特性，包括动作电位（action potential, AP）、被动特性及微小兴奋性突触后电流（miniature excitatory post-synaptic current, mEPSC）特性。这种可塑性为研究上述问题提供了模型系统。研究人员假设，MLMs在这些数据类型上训练得到的分类准确率会存在差异，从而反映出各数据类型所编码的与动情周期阶段身份相关的信息量。为验证该假设，研究人员从公开数据集中提取了四个动情周期阶段的电生理特征，并以此训练MLMs以分类动情周期阶段来源。研究发现：MLMs识别动情周期阶段来源的最高准确率达94%（随机森林）；MLM准确率因模型和特征集不同而存在差异；被动、AP和mEPSC特征依次表现出不同的性能，特征重要性分析显示，输入电阻、AP爆发时长和mEPSC基线电流分别是各自特征集中最具判别力的特征；动情前期晚期（late proestrus）表现出最独特的电生理特征谱。这些发现表明，MLMs能够检测与动情周期相关的改变，并可用于评估神经元类型内部的电生理差异；同时，这也代表了MLMs作为计算工具的更广泛应用，有助于理解神经特性对神经调质周期影响的敏感性。

论文解读

该论文发表于《Neuroinformatics》。研究背景方面，机器学习模型（machine learning models, MLMs）已被广泛用于根据电生理、形态学等特征对不同神经元亚型进行分类，但较少用于评估同一神经元类型内部的细微差异，尤其是神经调质（neuromodulator）如啮齿动物动情周期（estrous cycle）所诱导的变化。既往研究已发现，动情周期会改变大鼠伏隔核（nucleus accumbens, NAc）中型多棘神经元（medium spiny neuron, MSN）的电生理特性，包括动作电位（action potential, AP）、被动膜特性和微小兴奋性