SPCNNet: רשת נוירונים ספייקינגית על ענני נקודות למיון מורפולוגי של תאים עצביים

מדוע צורת תאי המוח חשובה

כל מחשבה, זיכרון ותחושה שאתם חווים תלויה בעבודה של מיליארדי נוירונים — תאים פעילים חשמלית בעלי ענפים מסועפים כדמויי עץ. ענפים אלה לא תמיד דומים בצורתם, וההבדלים קשורים קשר הדוק לתפקיד שכל נוירון ממלא במוח. המאמר המתואר כאן מציג שיטה חדשה למיון נוירונים לפי צורתם התלת־ממדית באמצעות צורת בינה מלאכותית בהשראת המוח, ובעתיד עלול לשפר את מיפוי והבנת המעגלים העצביים.

להסתכל על נוירונים כענני נקודות

במקור, מדענים סיווגו נוירונים על‑ידי מדידות גאומטריות מעשה‑ידי — למשל כמה ענפים יש — או על‑ידי שטיחת תאים תלת־ממדיים לתמונות דו־ממדיות לתוכנות זיהוי תמונה סטנדרטיות. שתי הגישות האלו מאבדות מידע: מדידות קבועות עלולות לפספס תבניות צורה עדינות, והטלות ל‑2D מאבדות עומק. המחברים מציגים גישה שמטפלת בכל נוירון כ־"ענן נקודות" תלת־ממדי, קבוצה של נקודות במרחב שמשרטטת את צורתו הכוללת. הם מתחילים מתיאור דיגיטלי סטנדרטי של נוירונים הידוע כקבצי SWC ושומרים רק את הקואורדינטות התלת־ממדיות והחיבורים של כל מקטע קטן. באמצעות טכניקה שנקראת דגימת הנקודה הרחוקה ביותר (farthest point sampling) הם בוחרים תת‑קבוצה של נקודות שתופסת עדיין את המבנה הכולל אך מקטינה משמעותית את כמות הנתונים שיש לעבד.

להניח לספייקים "לחשוב"

רוב רשתות העצבים המלאכותיות משתמשות באותות חלקים ורציפים השונים מאוד מהדחפים החשמליים הקצרים שנוירונים אמיתיים שולחים זה לזה. לעומת זאת, המודל המוצע כאן — הנקרא רשת ענני הנקודות הספייקינגית, SPCNNet — משתמש בנוירונים מלאכותיים שמתקשרים באמצעות דחפים בדידים לאורך זמן. לאחר שבונים ומנרמלים את ענן הנקודות התלת־ממדי של כל נוירון ביולוגי, העמדות מועברות דרך שלב כיול שמיישר אותן במרחב כדי שהמערכת לא תתבלבל מסיבוב או מסדר הנקודות. הערכים המיושרים מומרצים לאחר מכן לרכבות דחפים באמצעות מודל מפושט של פעילות חשמלית, והופכים מידע מרחבי על צורת הנוירון לדפוסי דחפים שמתפתחים על פני חלון זמן מדומה קצר.

ללמד את הרשת לזהות סוגי תאים

לאחר שצורות הנוירונים מקודדות כרכבות דחפים, SPCNNet מיישמת סדרת פעולות לחילוץ תכונות מידעיות. שכבות דמויות‑קונבולוציה בוחנות את כל הנקודות הנדגמות ובאופן הדרגתי מבנות ייצוגים בעלי מימד גבוה יותר של הצורה הכוללת, בעוד שלב pooling מדחס את המידע לתמצית קומפקטית. שכבות מקושרות במלואן ממפות את התמצית למספר קטן של סוגי נוירונים אפשריים, ושלב החלטה סופי מוציא את המחלקה הסבירה ביותר. המחברים אימנו ובדקו את המודל שלהם על שני מאגרי נתונים שבניתם בקפידה מהמאגר הציבורי NeuroMorpho: אחד עם שלושה סוגי נוירונים בתולעת הזעירה C. elegans, ואחד עם ארבעה סוגי נוירונים בבולב הריח של דגי זברה, וכן על אוסף גדול ומאוזן פחות שנקרא NeuMorph.

כמה טוב השיטה החדשה מתפקדת

בכל מאגרי הנתונים הללו SPCNNet התבררה כמדויקת ויעילה. עבור נוירוני התולעת היא השיגה דיוק במבחן של כ‑85 אחוזים, בהתמודדות עם או במעט מאחורי שיטות הלמידה העמוקה הטובות ביותר המסורתיות שתלויות בתכונות גאומטריות מעשה‑ידי. עבור הנוירונים המאתגרים יותר של דגי הזברה — תאים גדולים עם אלפי מקטעים — SPCNNet התעלה בבירור על גישות מתחרות, שוב השיג כ‑85 אחוז דיוק במבחן בעוד ששיטות מבוססות תמונה תלת‑ממדית או ענן‑נקודות רבות נשארו מאחור. ניסויים מדוקדקים הראו כיצד הביצועים תלויים בבחירות עיצוב מרכזיות, כמו כמה נקודות נדגמות מכל נוירון, כמה זמן רצה הסימולציה של הדחפים וכמה דוגמאות מעובדות בו‑זמנית. בדיקות שבירת מרכיבים הראו ששתי הטכניקות — דגימת הנקודה הרחוקה ביותר ויחידות הנוירונים הספייקינגיות — היו קריטיות להצלחת המודל.

מה המשמעות למחקר המוח

על‑ידי טיפול בכל נוירון כענן נקודות תלת‑ממדי ועיבודו באמצעות חישוב מבוסס דחפים, SPCNNet מציעה דרך לסיווג נוירונים הקרובה יותר ברוחה לאופן שבו המוח עצמו מעבד מידע. השיטה חוסכת את הצורך במדידות מעשה‑ידי או בהטלות ל‑2D ולומדת ישירות מהמבנה התלת‑ממדי השלם, ובנוסף גם מבטיחה צריכת אנרגיה נמוכה יותר בזכות פעילות דחפים דלילה. אף על פי שהגרסה הנוכחית משתמשת רק במיקום ובחיבוריות ומשאירה פרטים אחרים כמו עובי הענפים או תגי סוג תא בחוץ, היא כבר משווה או עולה על רבות מהשיטות המוסדרות ומתמשכת היטב למאגרי נתונים גדולים ומאוזנים פחות. עם שיפורים נוספים, גישה זו עלולה להפוך לכלי רב‑עוצמה לרישום אוטומטי של מגוון הצורות של נוירונים, ובכך לסייע למדעני המוח לבנות מפות עשירות יותר של הנוף התאי במוח.

ציטוט: Lin, X., Yu, M. & Wang, X. SPCNNet: spiking point cloud neural network for morphological neuron classification. Sci Rep 16, 7989 (2026). https://doi.org/10.1038/s41598-026-38839-3

מילות מפתח: מורפולוגיית נוירונים, רשתות עצביות ספייקינגיות, ענני נקודות תלת־ממדיים, סיווג סוגי תאים, מדעי המוח חישוביים