基于拓扑数据分析、图神经网络与形态测量学的可解释神经元形态分类框架

《Scientific Reports》：An interpretable deep learning framework for classifying neuronal morphologies using topology and graph neural networks

　　神经元形态决定了神经元如何处理和整合信息，然而对神经元形态的一致且客观的分类方法仍然难以实现。当前的方法主要依赖主观的专家判断或预设特征，这限制了可重复性和可解释性。在此，我们提出一个可解释的深度学习方法框架，该框架将拓扑数据分析、图神经网络和传统形态测量学相结合，以客观且透明的方式对神经元形态进行分类。我们的框架通过比较神经元的互补数学表示，捕捉几何、拓扑和图结构信息，并将它们的性能与专家标注的数据集进行基准测试。我们表明，基于拓扑和图结构的模型能够达到与人类专家相当的水平，这揭示了对定义形态学细胞类型而言，整体分支不变量和局部连接模式都是至关重要的。利用可解释人工智能方法，我们识别出驱动每次分类决策的结构特征，从而将计算解释与神经解剖学解释联系起来。这一开源且可重复的方法为可扩展、可解释且具有生物学意义的神经元分类体系提供了基础，使得能够在数据集和物种之间进行一致的比较。