主要观点总结
文章介绍了美国Baylor College of Medicine的Javier F. Medina研究组利用深度学习分类器识别细胞类型的研究成果。文章指出，通过构建深度学习分类器可以解决神经元类型识别的问题，从而实现仅从清醒动物的细胞外电生理信号中识别细胞类型。
关键观点总结
关键观点1: 研究背景及重要性
文章介绍了细胞类型识别在理解大脑工作和开发针对性脑功能障碍治疗方法中的重要性。
关键观点2: 当前细胞类型识别的挑战
细胞外记录技术无法直接识别细胞类型，光遗传学方法虽然可行但规模较小，同时记录多种细胞类型的电极与进行转录和解剖研究并不兼容。
关键观点3: 研究方法和策略
研究小组采用深度学习分类器，通过建库、训练和验证三步实现细胞类型识别。利用光遗传学技术建立基于基因的细胞类型库，训练半监督深度学习分类器，并通过小鼠和猴子的独立数据集测试分类器的通用性。
关键观点4: 研究成果
分类器可以基于波形、放电统计和神经元解剖层预测细胞类型，准确率超过95%，且预测结果在不同探针、实验室、小脑区域和物种中基本一致。
关键观点5: 研究影响和未来展望
该研究实现的细胞类型识别有助于理解神经环路和脑功能障碍，为开发选择性靶向治疗方法提供了重要工具。同时，该分类器的应用前景广阔，可以在不同物种和实验室中推广应用。
正文
神经系统由许多类型的细胞组成，而细胞类型是由它们的分子、解剖、形态和生理特性决定。目前利用分子技术甚至在已知的解剖细胞类别中鉴别出了多种亚型。在多个水平上识别细胞类型，对于了解大脑如何工作以及开发针对脑功能障碍的选择性靶向治疗方法至关重要。
行为过程中，神经元动作电位的细胞外记录是理解神经环路的重要方法。因此，有必要在特定的、量化的行为中，基于细胞外记录的特征来实现可靠的细胞类型鉴定。具体来说，使用高密度多接触记录探头同时进行大规模电生理记录，再加上体内细胞类型识别，将有助于表征驱动行为的神经环路。
细胞外记录技术只能提供脉冲波形和放电统计数据，并不能直接识别细胞类型。以前通过测量记录的特定特征来在胞外识别神经元的技术也并不可靠。光遗传学方法用于细胞类型鉴定，为建立细胞外特性库提供了一个可行的解决方案，然而直接的光遗传学鉴定规模较小：常规光遗传学鉴定目前仅应用于小鼠，并且一次只能用于靶向一种或两种细胞类型。一般来说，从细胞外记录中识别细胞类型的挑战，并不能通过叠加神经元的转录或解剖特性来解决，因为在清醒动物中，同时记录多种细胞类型的电极与进行转录和解剖研究并不兼容。
近日，来自美国Baylor College of Medicine的
Javier F. Medina
研究组在
Cell
上发表了文章
A deep learning strategy to identify cell types across species from high-density extracellular recordings
，
通过构建深度学习分类器，同时记录许多神经元的细胞外记录来解决神经元类型识别的问题。
高密度探针虽然可以实现在整个脑回路中同时记录多个神经元的电生理变化，但并不能识别细胞类型。作者的目标是开发学术机构共享的、多探针适用的和可跨物种运行的深度学习策略，实现仅从清醒动物的细胞外电生理信号中识别细胞类型。
这一策略主要有以下三步：(1)建库：利用光遗传学技术，建立最真实的、基于基因的细胞类型库。其中，光遗传学
（Optogenetics）
是一种结合了光学和遗传学手段的技术，用于精确控制特定神经元的活动。作者通过突触阻断技术，排除了外来信号干预，再对不同基因定义的神经元进行刺激，从而收集到不同神经元被直接激活的电生理信号，并基于此建立数据库。(2)训练：归纳电生理记录的不同特征，并在基于基因的细胞类型库上训练半监督深度学习分类器。(3)验证：通过来自小鼠和猴子的独立数据集，来测试分类器的通用性。
为了实现这一策略，作者选择小脑皮层为研究对象。小脑的优势在于（1）神经元连接清晰；（2）解剖学定义的细胞类型较少；（3）神经元大小各异，从最小、密度最大的颗粒细胞到最大的浦肯野细胞，测试相关记录方法的分辨率更为便捷；（4）进化上保守，允许直接比较跨物种记录；（5）含有许多自发放电的神经元，其中一些自发放电率很高，电生理特性更为明确；（6）所有主要细胞类型均有相应的Cre系小鼠，可以实现利用光遗传学策略进行真实的细胞类型鉴定；（7）小脑具有悠久的神经生理记录历史，可以提供有效参考。
基于上述策略，作者将光遗传学和药理学结合起来，以小脑为研究对象，收集浦肯野细胞、分子层中间神经元、高尔基细胞和苔藓纤维的电生理信号，并生成电生理特性库。作者在这个库上训练半监督深度学习分类器，该分类器可以基于波形、放电统计和神经元解剖层来预测细胞类型。作者还通过来自小鼠和猴子的独立数据集进行验证，准确率超过95%。此外，这一分类器在使用不同探针、在不同实验室、在不同小脑区域和不同物种中，预测结果基本一致。
综上所述，
作者开发的半监督深度学习分类器，可以根据记录的波形、放电统计和解剖层准确预测细胞类型，从而实现在行为过程中同步记录细胞类型，有效扩展了现代分析技术的外延。
https://doi.org/10.1016/j.cell.2025.01.041
制版人：十一
学术合作组织
（*排名不分先后）
战略合作伙伴
