SPCNNet：用于神经元形态分类的脉冲点云神经网络

为什么脑细胞的形状很重要

你所经历的每一次思考、记忆和感觉都依赖于数十亿个神经元的工作——这些电活性细胞具有错综复杂的树状分支。这些分支并非形状相同，而这些差异与每个神经元在大脑中的功能密切相关。本文介绍了一种用受到大脑启发的人工智能来根据三维形状对神经元进行分类的新方法，可能会改进我们绘制和理解神经回路的方式。

将神经元视为点云

传统上，科学家要么通过手工设计的几何测量来分类神经元——例如分支数目——要么将三维细胞拍扁成二维图像以适用于常规的图像识别软件。这两种策略都会丢失信息：固定的测量可能遗漏微妙的形状模式，而二维投影会失去深度信息。作者改为将每个神经元视为三维“点云”，即在空间中描摹其整体形态的一组点。他们从一种称为 SWC 的标准数字描述出发，仅保留每个微小段的三维坐标和连通关系。利用一种称为最远点采样（farthest point sampling）的技术，他们选取一部分点，这部分点仍能捕捉整体结构，同时大幅减少需要处理的数据量。

让脉冲来完成“思考”

大多数人工神经网络使用平滑、连续的信号，这与真实神经元之间传递的短暂电性脉冲截然不同。相反，这里提出的模型——称为脉冲点云神经网络（Spiking Point Cloud Neural Network，SPCNNet）——使用以离散脉冲随时间通信的人工神经元。在构建并归一化每个生物神经元的三维点云后，坐标会先通过一个校准阶段对齐空间位置，以避免系统被旋转或点的顺序所混淆。然后将这些对齐后的数值用简化的电活动模型转换为脉冲序列，把关于神经元形状的空间信息变成在短暂模拟时间窗内展开的脉冲模式。

教网络识别细胞类型

一旦将神经元形状编码为脉冲序列，SPCNNet 就会应用一系列操作来提取有信息量的特征。类似卷积的层检查所有采样点，逐步构建对神经元整体形态的高维表示，而池化步骤将这些信息压缩为紧凑的摘要。全连接层随后把这个摘要映射到少数可能的神经元类型，最后的决策阶段输出最可能的类别。作者在两个精心构建的数据集上训练并测试了他们的模型，这些数据来自公开的 NeuroMorpho 数据库：一个包含线虫 C. elegans 的三类神经元，另一个包含斑马鱼嗅球的四类神经元，以及一个更大且类别不平衡的集合 NeuMorph。

新方法的表现如何

在这些数据集中，SPCNNet 在准确性和效率方面都表现良好。在线虫神经元上，其测试准确率约为 85%，可与依赖人工工程几何特征的最佳传统深度学习方法相媲美或略有落后。在更具挑战性的斑马鱼神经元（较大的细胞，具有数千个段）上，SPCNNet 明显优于竞争方法，同样达到约 85% 的测试准确率，而许多基于三维图像或点云的方法远远落后。周密的实验展示了性能如何依赖若干关键设计选择，例如从每个神经元采样多少点、脉冲模拟运行多长时间以及一次处理多少样本。额外的消融测试表明，最远点采样和脉冲神经元单元对于模型成功至关重要。

这对脑科学意味着什么

通过将每个神经元视为三维点云并用基于脉冲的计算来处理，SPCNNet 提供了一种更接近大脑自身处理信息方式的神经元分类方法。该方法避免了对手工设计测量或二维投影的依赖，而是直接从完整三维结构中学习，同时由于稀疏的脉冲活动而有望降低能耗。尽管当前版本仅使用位置和连通性，未包含诸如分支粗细或细胞类型标签等细节，但它已能匹配或超越许多既有技术，并能很好地扩展到更大且类别不平衡的数据集。通过进一步改进，这一方法有望成为自动编目神经元多样形状的强有力工具，帮助神经科学家构建更丰富的大脑细胞图谱。

引用: 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

关键词: 神经元形态学, 脉冲神经网络, 3D 点云, 细胞类型分类, 计算神经科学