SPCNNet: спайковая нейронная сеть для точечных облаков для морфологической классификации нейронов

Почему форма клеток мозга имеет значение

Каждая мысль, воспоминание и ощущение зависят от работы миллиардов нейронов — электрически активных клеток со сложными древовидными отростками. Эти отростки не все одинаковы по форме, и различия тесно связаны с тем, какую роль играет каждый нейрон в мозге. В описанной здесь работе предложен новый подход к классификации нейронов по их 3D‑форме с использованием вдохновлённой биологией формы искусственного интеллекта, что может улучшить способы картирования и понимания нейронных цепей.

Видеть нейроны как облака точек

Традиционно учёные классифицировали нейроны либо по вручную подобранным геометрическим показателям — например, по числу ветвлений, — либо путём сведении 3D‑клеток к 2D‑изображениям для стандартного программного распознавания изображений. Обе стратегии теряют информацию: фиксированные метрики пропускают тонкие шаблоны формы, а 2D‑проекции лишают глубины. Авторы же рассматривают каждый нейрон как 3D «точечное облако» — набор точек в пространстве, описывающих его общую форму. Они исходят из стандартного цифрового описания нейронов в формате SWC и сохраняют только 3D‑координаты и связи каждого небольшого сегмента. С помощью приёма, называемого выборкой самой удалённой точки (farthest point sampling), они отбирают подмножество точек, которое сохраняет общую структуру, но существенно снижает объём обрабатываемых данных.

Пусть спайки выполняют вычисления

Большинство искусственных нейронных сетей используют гладкие, непрерывные сигналы, существенно отличающиеся от коротких электрических импульсов, которыми обмениваются реальные нейроны. В отличие от них предложенная модель — Spiking Point Cloud Neural Network, или SPCNNet — использует искусственные нейроны, общающиеся дискретными спайками во времени. После того как 3D‑точечное облако каждой биологической клетки построено и нормализовано, координаты проходят стадию калибровки, которая выравнивает их в пространстве, чтобы система не путалась поворотами или порядком точек. Эти выровненные значения затем преобразуются в поезда спайков с использованием упрощённой модели электрической активности, превращая пространственную информацию о форме нейрона в временные паттерны спайков в пределах короткого симулированного временного окна.

Обучение сети распознавать типы клеток

После кодирования форм нейронов в виде спайковых последовательностей SPCNNet применяет ряд операций для извлечения информативных признаков. Слои, напоминающие свёртки, анализируют все отобранные точки и постепенно строят более высокоразмерные представления общей формы нейрона, тогда как шаг пуллинга сжимает эту информацию в компактное резюме. Полносвязные слои затем отображают это резюме в небольшое количество возможных типов нейронов, а заключительный этап принимает решение и выдаёт наиболее вероятный класс. Авторы обучали и тестировали свою модель на двух тщательно сформированных наборах данных из публичной базы NeuroMorpho: одном — из трёх типов нейронов у крошечного червя C. elegans, и другом — из четырёх типов нейронов в обонятельной луковице данио‑рыбы, а также на более крупной и несбалансированной коллекции под названием NeuMorph.

Насколько хорошо работает новый подход

По всем этим наборам данных SPCNNet показал себя и точным, и эффективным. На нейронах червя он достиг тестовой точности около 85 процентов, сравнимой с лучшими традиционными методами глубокого обучения, опирающимися на вручную разработанные геометрические признаки, либо немного им уступающей. Для более сложных нейронов данио‑рыбы — крупных клеток с тысячами сегментов — SPCNNet явно превзошёл конкурентов, опять-таки показав около 85 процентов точности на тесте, тогда как многие методы, основанные на 3D‑изображениях или работе с точечными облаками, значительно отставали. Тщательные эксперименты показали, как на качество влияют ключевые конструктивные решения, такие как число точек, отбираемых из каждого нейрона, длительность симуляции спайков и размер мини‑пакета. Дополнительные тесты абляции продемонстрировали, что и выборка самой удалённой точки, и спайковые нейронные блоки были критически важны для успеха модели.

Что это значит для исследований мозга

Рассматривая каждый нейрон как 3D‑точечное облако и обрабатывая его с помощью вычислений на основе спайков, SPCNNet предлагает способ классификации нейронов, ближе по духу к тому, как сам мозг обрабатывает информацию. Метод избавляется от нужды в вручную разработанных метриках или 2D‑проекциях и вместо этого учится непосредственно по полной 3D‑структуре, при этом обещая и более низкое энергопотребление благодаря разреженной спайковой активности. Хотя текущая версия использует только положение и связь сегментов и не учитывает другие детали, такие как толщина ветвей или метки типа клетки, она уже сравнима или превосходит многие устоявшиеся методы и хорошо масштабируется до больших, несбалансированных наборов данных. С дальнейшей доработкой этот подход может стать мощным инструментом для автоматического каталогизирования разнообразных форм нейронов, помогая нейроучёным строить более полные карты клеточного ландшафта мозга.

Цитирование: 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

Ключевые слова: морфология нейронов, спайковые нейронные сети, 3D-точечные облака, классификация типов клеток, вычислительная нейронаука