NTAC：AI 如何根据连接而非形状对神经元进行分类——神经信息学家的技术解析
NTAC（基于连接性的神经元类型分配）并非神经信息学中的又一营销突破，而是一种完全基于突触连接拓扑的实际可用神经元分类算法。它消除了对形态学识别的依赖，这在扩展连接组时成为瓶颈：在果蝇视觉叶中，形态学均一的神经元使用 NTAC 可实现 90% 的分类准确率，而 NBLAST 仅为 50%——且均在无 GPU 加速的消费级硬件上完成。
为何形态学具有误导性——以及对连接组学的意义
在传统神经解剖学中，细胞类型由树突形状、轴突结构、定位及标记物表达定义。然而，在密集区域——如果蝇的视觉叶——数十种神经元类型表现出几乎相同的形态。它们的差异仅体现在传入和传出突触的模式上：哪些神经元激活它们，它们投射到谁那里，频率如何以及顺序怎样。这些信息编码在连接组图中，但在 NTAC 出现之前，并未被系统性地用于类型划分。
NTAC 验证了这一假设：突触连接是神经元的功能“基因组”。就像 DNA 序列决定蛋白质一样，输入/输出边的集合定义了细胞在链条中的计算角色。这从根本上改变了连接组注释的方法：我们不再进行手动形状匹配，而是利用图结构进行自动化学习。
NTAC 架构与运行模式
该算法实现为处理有向加权图的图神经网络，其中顶点代表神经元，边代表具有属性（类型：兴奋性/抑制性、接触计数、在树突树内的定位）的突触。输入数据为 N×N 连接矩阵（N = 神经元数量），经行和列归一化以补偿投影密度变化。
NTAC 支持两种模式：
- 半监督
- 输入包含一部分已知类型标签的神经元（通常为总数的 1–5%）
- 网络最小化预测标签与真实标签之间的交叉熵
- 使用具有两个隐藏层且 dropout=0.3 的图卷积网络 (GCN)
- 准确率：在果蝇视觉叶连接组（BANC 数据集）上达到 90.2%
- 无监督
- 无标签：网络应用改进的深度聚类算法 (DeepCluster v3)
- 图嵌入投影至 64 维空间，随后通过 k-means 聚类，利用轮廓分析自适应选择 k 值
- 准确率：视觉叶中为 70.4%，全脑连接组中为 52.1%
两种模式均在 Intel i7-11800H CPU 上运行，耗时≤4.2 分钟（N=2500），无需 CUDA 或 PyTorch Geometric 等专用库。代码使用纯 NumPy 和 SciPy 编写，依赖极少。
与 NBLAST 及其他基准的比较
NBLAST——形态比较的标准工具——基于匹配的神经元树片段构建成对相似性评分。其局限性显而易见：
- 需要完整的形态重建（在低信噪比下往往不可能）
- 对分割伪影和方向敏感
- 无法扩展：计算时间随 O(N²) 增长；在 N=1000 时，单核计算超过 12 小时
- 在视觉叶中，其准确率仅为 48.7%（F1 分数），因为 63% 的神经元形状差异小于 5%
NTAC 仅使用图指标：
- 入度和出度
- 局部子图的聚类系数
- 到最近邻居的平均最短路径长度
- 50 神经元子网中的介数中心性
这 4 个指标的计算复杂度为 O(N·k)，其中 k 为平均度数，并作为分类器的输入。实验表明，将其中任何一项替换为随机值会使准确率降低 12–27%。
关键要点
- NTAC 证明突触拓扑包含足够的神经元类型划分信息——无需形态学、标记物或电生理参数。
- 该算法可在标准笔记本电脑上运行：不依赖 GPU、云资源或高性能计算集群。
- 半监督模式需要<5% 的标注数据——这对难以手动识别的稀有细胞类型至关重要。
- NTAC 已集成到 BANC（大脑与神经系统连接组）流程中，用于注释当前版本中的 12,437 个神经元。
- 该方法不替代但补充电生理学：预测类型为后续的膜片钳或光遗传学验证提供假设。
在大型项目中的应用
连接组学的当前前沿是大鼠脑映射（约 7000 万个神经元）。使用传统方法完成完整连接组大约需要 10⁶ 小时的手动类型划分。NTAC 将此估计减少至约 2,000 个 CPU 小时（并行处理 5,000 个神经元的块）。关键是，该算法在扩展时保持准确性——在 10K 和 50K 大小的样本上的测试显示偏差稳定在<1.3%。
对于人脑（860 亿个神经元），NTAC 目前尚不能以其“完整版”直接适用，但其架构构成了分层方法的基础：首先在微电路水平（皮层柱）进行聚类，然后进行柱内类型划分。早期原型已在人脑皮层样本（死后，3D-EM）上进行测试。
下一阶段是与单细胞 RNA-seq 数据集成。来自 JAIST 和普林斯顿的研究人员正在开发一种混合模型，其中 NTAC 图嵌入通过跨模态注意力与转录组谱相结合。目标是构建统一的“结构 - 功能 - 表达”空间，其中任何神经元都可以通过三种模态特征中的任意一种进行表征。
NTAC 不是最终解决方案，而是连接组分析堆栈中的新基础层。其价值不在于绝对准确率，而在于可重复性、可扩展性和开放性：源代码以 MIT 许可证发布，文档包括带有果蝇和线虫实时示例的 Jupyter 笔记本。
— Editorial Team
暂无评论。