NTAC: 연결에 의한 뉴런 분류 AI

NTAC: 형태가 아닌 연결로 뉴런을 분류하는 AI — 신경정보학자를 위한 기술 분석

NTAC(연결성 기반 뉴런 유형 할당) 는 신경정보학 분야의 마케팅 용어가 아니라, 시냅스 연결 토폴로지에만 기반한 실제 적용 가능한 뉴런 분류 알고리즘입니다. 이는 형태학적 식별에 대한 의존성을 제거하여 연결체 확장 시 발생하는 병목 현상을 해결합니다. 초파리 시각 로브에서 NTAC 는 90% 의 분류 정확도를 달성한 반면, NBLAST 는 50% 에 그쳤습니다. 모든 작업은 GPU 가속 없이 소비자용 하드웨어에서 수행되었습니다.

왜 형태학은 오해의 소지가 있으며 이것이 연결체학에 중요한가

전통적인 신경해부학에서는 세포 유형이 수상돌기 모양, 축삭 구조, 위치 및 마커 발현으로 정의됩니다. 그러나 과일파리의 시각 로브와 같이 밀집된 영역에서는 수십 종의 뉴런 유형이 거의 동일한 형태학을 보입니다. 그들의 차이는 들어오고 나가는 시냅스의 패턴에서만 나타납니다. 즉, 어떤 뉴런이 그들을 활성화시키는지, 누구에게 투영되는지, 주파수와 순서는 어떻게 되는지입니다. 이 정보는 연결체 그래프에 인코딩되어 있지만, NTAC 이전에는 유형 분류에 체계적으로 사용되지 않았습니다.

NTAC 는 가설을 증명합니다. 시냅스 연결성은 뉴런의 기능적 "게놈"입니다. DNA 서열이 단백질을 결정하듯, 입력/출력 엣지의 집합이 세포의 계산 역할을 정의합니다. 이는 연결체 주석 처리 접근 방식을 근본적으로 변화시킵니다. 수동 모양 매칭 대신 그래프 구조에 대한 자동 학습을 사용합니다.

NTAC 아키텍처 및 운영 모드

알고리즘은 방향성 가중치를 가진 그래프로 작동하는 그래프 신경망으로 구현됩니다. 여기서 정점은 뉴런이고 엣지는 속성이 있는 시냅스입니다 (타입: 흥분성/억제성, 접촉 횟수, 수상나무 내 위치). 입력 데이터는 행과 열로 정규화된 N×N 연결성 행렬입니다 (N = 뉴런 수). 이는 투영 밀도 변동을 보정합니다.

NTAC 는 두 가지 모드를 지원합니다:

• 반지도 학습

- 입력에는 알려진 유형 레이블이 있는 뉴런 부분 집합 포함 (전체의 1~5%)

- 네트워크는 예측된 레이블과 실제 레이블 간 교차 엔트로피 최소화

- 은닉층 2 개와 드롭아웃=0.3 을 사용하는 그래프 합성곱 네트워크 (GCN) 사용

- 정확도: 초파리 시각 로브 연결체 (BANC 데이터셋) 에서 90.2%

• 비지도 학습

- 레이블 없음: 네트워크는 수정된 심층 클러스터링 알고리즘 (DeepCluster v3) 적용

- 그래프 임베딩은 64 차원 공간으로 투영된 후 실루엣 분석을 통한 적응형 k 선택으로 k-means 를 통해 클러스터링

- 정확도: 시각 로브에서 70.4%, 전체 파리 뇌 연결체에서 52.1%

두 모드 모두 Intel i7-11800H CPU 에서 ≤ 4.2 분 내에 N=2500 으로 실행됩니다. CUDA 나 PyTorch Geometric 과 같은 특수 라이브러리 없이. 코드는 최소한의 종속성으로 순수 NumPy 와 SciPy 로 작성되었습니다.

NBLAST 및 기타 벤치마크와의 비교

형태학적 비교를 위한 표준 도구인 NBLAST 는 뉴런 나무 조각 매칭에 기반한 쌍별 유사성 점수를 구축합니다. 그 한계는 명백합니다:

• 완전한 형태학적 재구성이 필요함 (저 SNR 일 경우 종종 불가능)
• 분할 오류 및 방향에 민감
• 확장 불가: 계산 시간이 O(N²) 로 증가; N=1000 일 때 단일 코어에서 12 시간 초과
• 시각 로브에서 F1 점수 48.7% 정확도에 도달 (뉴런의 63% 가 <5% 형태 차이)

NTAC 는 그래프 지표만 사용합니다:

• 진입 차수와 진출 차수
• 지역 하위 그래프의 군집 계수
• 가장 가까운 이웃까지의 평균 최단 경로 길이
• 50 뉴런 하위 네트워크의 중심성

이 4 가지 지표는 O(N·k) 로 계산되며 (k 는 평균 차수), 분류기의 입력으로 사용됩니다. 실험 결과 이들 중 하나라도 무작위 값으로 대체하면 정확도가 12~27% 감소했습니다.

핵심 요약

• NTAC 는 형태학, 마커 또는 전기생리학적 파라미터 없이도 뉴런 유형 분류에 충분한 정보가 시냅스 토폴로지에 있음을 증명합니다.
• 알고리즘은 일반 노트북에서 실행됩니다: GPU, 클라우드 리소스 또는 HPC 클러스터에 의존하지 않습니다.
• 반지도 학습 모드는 <5% 의 레이블 데이터만 필요로 합니다: 수동으로 식별하기 어려운 희귀 세포 유형의 경우 중요합니다.
• NTAC 는 이미 BANC(뇌 및 신경계 연결체) 파이프라인에 통합되어 현재 릴리스의 12,437 개 뉴런을 주석 처리하는 데 사용됩니다.
• 이 방법은 전기생리학을 대체하지 않고 보완합니다: 예측된 유형은 이후 패치 클램프 또는 광유전학 검증을 위한 가설을 제공합니다.

대규모 프로젝트에서의 응용

현재 연결체학의 최전선은 쥐 뇌 매핑 (~7 천만 뉴런) 입니다. 전통적인 방법을 사용하면 완전한 연결체를 위해 약 10⁶ 시간의 수동 유형 분류가 필요합니다. NTAC 는 이 추정치를 약 2,000 CPU 시간으로 줄입니다 (5,000 뉴런 블록 병렬 처리). 특히 알고리즘은 확장되면서 정확도를 유지합니다. 10K 및 50K 크기의 샘플 테스트에서 편차는 <1.3% 로 안정적이었습니다.

인간 뇌 (860 억 뉴런) 의 경우, NTAC 는 아직 "풀 버전"으로 적용 가능하지 않지만, 그 아키텍처는 계층적 접근 방식의 기초를 형성했습니다: 먼저 미세회로 수준 (대뇌 피질 기둥) 에서 클러스터링한 후, 기둥 내부 유형 분류. 초기 프로토타입은 이미 인간 피질 샘플 (사후, 3D-EM) 에서 테스트 중입니다.

다음 단계는 단일 세포 RNA-seq 데이터와의 통합입니다. JAIST 와 프린스턴 대학의 연구자들은 NTAC 그래프 임베딩을 크로스 모달 어텐션을 통해 전사체 프로필과 결합하는 하이브리드 모델을 개발하고 있습니다. 목표는 어떤 뉴런도 세 가지 모달리티 특성 중 하나로 특징 지을 수 있는 통합된 "구조 - 기능 - 표현" 공간을 구축하는 것입니다.

NTAC 는 최종 솔루션이 아니라 연결체 분석 스택의 새로운 기본 계층입니다. 그 가치는 절대 정확도가 아니라 재현성, 확장성 및 개방성에 있습니다: 소스 코드는 MIT 라이선스로 게시되며, 문서에는 초파리 및 C. elegans 의 실시간 예제가 포함된 제피터 노트북이 포함되어 있습니다.

— Editorial Team