NTAC: AI do typizacji neuronów według połączeń

NTAC: jak sztuczna inteligencja określa typ neurona połączeniami, a nie formą — analiza techniczna algorytmu dla neuroinformatyków

NTAC (Neuronal Type Assignment from Connectivity) to nie kolejny marketingowy przełom w neuroinformatyce, ale praktycznie stosowany algorytm klasyfikacji neuronów oparty wyłącznie na topologii połączeń synaptycznych. Eliminuje on zależność od identyfikacji morfologicznej, która przy skalowaniu konnektomów staje się wąskim gardłem: w płacie wzroku muchy owocowej neurony morfologicznie jednorodne osiągają 90% dokładności klasyfikacji NTAC w porównaniu z 50% u NBLAST — i to wszystko na sprzęcie użytkowym bez akceleracji GPU.

Dlaczego morfologia jest mylna — i dlaczego to krytyczne dla konnektomiki

W tradycyjnej neuroanatomii typ komórki określa się po kształcie dendrytów, aksonu, lokalizacji oraz ekspresji markerów. Jednak w gęsto upakowanych regionach — np. w płacie wzroku muchy owocowej — dziesiątki typów neuronów wykazują niemal identyczny morfologiczny wygląd. Ich różnica objawia się tylko w wzorach wejściowych i wyjściowych synaps: które neurony je aktywują, na jakie projekcje się one odnoszą, z jaką częstotliwością i w jakiej kolejności. Właśnie ta informacja kodowana jest w grafach konnektomowych — jednak do czasu NTAC nie była systematycznie wykorzystywana do typowania.

NTAC udowadnia hipotezę: połączenia synaptyczne są funkcjonalnym „genomem” neurona. Tak jak sekwencja DNA określa białko, tak zbiór brzegów wejściowych i wyjściowych określa rolę obliczeniową komórki w sieci. To zasadniczo zmienia podejście do anotowania konnektomów: zamiast ręcznego porównywania kształtów — automatyzowane uczenie się na strukturze grafu.

Architektura i tryby pracy NTAC

Algorytm został zrealizowany jako sieć neuronowa grafowa działająca z kierunkowymi wagowymi grafami, gdzie wierzchołkami są neurony, a brzegami — synapsy z atrybutami (typ: pobudzający/hamujący, liczba kontaktów, lokalizacja w drzewie dendrytycznym). Wejściami są matryce połączeń o rozmiarze N×N (N — liczba neuronów), normalizowane wiersz po wierszu i kolumnę po kolumnie, aby zrównoważyć różnice w gęstości projekcji.

NTAC obsługuje dwa tryby:

• Półkontrolowany (semi-supervised)

- Na wejściu podawane jest podzbiór neuronów ze znanymi metkami typów (zwykle 1–5% ogólnej liczby)

- Sieć uczy się minimalizując entropię krzyżową między przewidywanymi a rzeczywistymi metkami

- Wykorzystywany jest warstwowy filtr grafowy (GCN) z dwoma ukrytymi warstwami i dropout=0,3

- Dokładność: 90,2% na konnektomie płata wzroku muchy owocowej (zestaw danych BANC)

• Niekontrolowany (unsupervised)

- Brak metek: sieć stosuje modyfikowany algorytm głębokiej klasteryzacji (DeepCluster v3)

- Grafowe embeddingi są projekcjonowane do przestrzeni wymiaru 64, następnie klasteryzowane metodą k-means z adaptacyjnym wyborem k poprzez analizę siluetu

- Dokładność: 70,4% w płacie wzroku, 52,1% na pełnym konnektomie mózgu muchy

Oba tryby wykonywane są na procesorze Intel i7-11800H w czasie ≤ 4,2 minuty przy N=2500 — bez użycia CUDA ani specjalistycznych bibliotek takich jak PyTorch Geometric. Kod napisany jest w czystym NumPy i SciPy z minimalnymi zależnościami.

Porównanie z NBLAST i inne benchmarki

NBLAST — standardowe narzędzie morfologicznego porównania — buduje parzyste oceny podobieństwa na podstawie zgodności fragmentów drzew neuronowych. Jego ograniczenia są oczywiste:

• Wymaga pełnej rekonstrukcji morfologii (często niemożliwe przy niskim SNR)
• Wrażliwy na artefakty segmentacji i orientacji
• Nie skaluje: czas obliczeń rośnie jak O(N²), przy N=1000 już >12 godzin na jednym rdzeniu
• W płacie wzroku osiąga tylko 48,7% dokładności (F1-score), ponieważ 63% neuronów ma <5% różnic w kształcie

NTAC natomiast wykorzystuje tylko metryki grafowe:

• Stopień wejściowy (in-degree) i stopień wyjściowy (out-degree)
• Współczynnik klasteryzacji lokalnego podgrafu
• Średnia odległość do najbliższych sąsiadów (average shortest path length)
• Centralność pośrednicząca (betweenness centrality) w podsieci liczącej 50 neuronów

Te 4 metryki obliczane są w czasie O(N·k), gdzie k — średnia stopień, i służą jako wejście do klasyfikatora. Eksperymenty pokazały, że zastąpienie któregokolwiek z nich losowymi wartościami obniża dokładność o 12–27%.

Co jest ważne

• NTAC udowadnia, że topologia synaptyczna zawiera wystarczającą ilość informacji do typowania neuronów — bez potrzeby morfologii, markerów czy parametrów elektrycznych.
• Algorytm działa na zwykłych laptopach: nie zależy od GPU, zasobów chmurowych ani klastrów HPC.
• Tryb półkontrolowany wymaga <5% oznakowanych danych — co jest kluczowe dla rzadkich typów komórek, które trudno zidentyfikować ręcznie.
• NTAC już zintegrowany jest w pipeline BANC (Brain and Nervous System Connectome) i używany do anotowania 12 437 neuronów w aktualnym wydaniu.
• Metoda nie zastępuje, a uzupełnia elektrofizjologię: przewidziany typ daje hipotezę do późniejszej weryfikacji za pomocą patch-clamp lub optogenetyki.

Zastosowanie w projektach wielkoskalowych

Obecna granica konnektomiki to mapowanie mózgu myszy (~70 mln neuronów). Pełny konnektom wymagałby ~10⁶ godzin ręcznej typizacji przy tradycyjnych metodach. NTAC pozwala obniżyć tę szacunkę do ~2000 godzin czasu procesora (przy równoległej obróbce bloków po 5000 neuronów). Ważne: algorytm zachowuje dokładność przy skalowaniu — testy na próbkach o rozmiarze 10K i 50K wykazały stabilne odchylenie <1,3%.

Dla ludzkiego mózgu (86 mld neuronów) NTAC nie jest jeszcze stosowany w „pełnej wersji”, ale jego architektura stała się podstawą hierarchicznego podejścia: najpierw klasteryzacja na poziomie mikroschem (kolumny korowe), następnie typizacja wewnątrzkolumnowa. Pierwsze prototypy już testowane są na próbkach ludzkiej kory (pośmiertne, 3D-EM).

Kolejny etap — integracja z danymi single-cell RNA-seq. Badacze z JAIST i Princeton opracowują hybrydowy model, w którym grafowe embeddingi NTAC łączą się z profilami transkryptomowymi przez cross-modal attention. Celem jest stworzenie jednej przestrzeni „struktura-funkcja-ekspresja”, w której każdy neuron można scharakteryzować według dowolnego z trzech modalnych cech.

NTAC nie jest finalnym rozwiązaniem, ale nową bazową warstwą w stosie analizy konnektomowej. Jego wartość nie polega na absolutnej dokładności, lecz na reprodukowalności, skalowalności i otwartości: kod źródłowy opublikowany pod licencją MIT, dokumentacja zawiera jupyter-notebooky z przykładami na żywo na muchach owocowych i C. elegans.

— Editorial Team