概括：科学家已经开发了一种AI算法，该算法可以从精度为95％的大脑活动记录中鉴定出不同类型的神经元，而无需遗传工具。通过用光敏标记标记神经元并记录其独特的电签名，研究人员创建了一个训练库，允许AI区分小鼠和猴子中的神经元类型。
这一突破旨在解决神经科学中一个百年的挑战，并为更好地理解不同神经元如何促进行为和疾病的挑战打开了大门。该工具有一天可以改善神经植入物，有助于解码癫痫等疾病，并完善我们如何研究动物和人类的大脑。
关键事实：
- AI突破：一种新的算法将神经元类型与高精度的电活动区分开。
- 跨物种实用程序：在小鼠和猴子中都得到了验证，具有人类应用的潜力。
- 开放访问：数据库和AI工具可免费提供给全球研究界。
来源：UCL
大脑由许多不同类型的神经元（大脑中的神经细胞）组成，每种神经细胞都被认为在处理信息中起着不同的作用。长期以来，科学家一直能够使用电极来记录神经元在执行脑功能时产生的电气尖峰的活性。
尽管记录峰值已被证明是监测大脑深处的个体神经元活动的宝贵，但直到现在，该方法一直对记录的神经元的类型视而不见，这使得无法确定不同的神经元如何对大脑的整体操作有何贡献。
在一项新研究中，出版了 细胞，研究团队使用蓝光的简短脉冲来触发特定细胞类型的尖峰（一种称为光遗传学的方法），通过识别小鼠大脑中不同神经元类型的不同神经元类型的不同电特征来克服这一问题。
他们为每种类型的神经元创建了一个不同的电特征的库，然后允许他们训练AI算法，该算法可以自动识别五种具有95％精度的神经元，而无需进一步的遗传工具。
该算法也已在猴子的大脑记录数据上进行了验证。
研究人员说，他们已经克服了能够使用该技术研究癫痫等神经系统状况的一个重大障碍，但是在实用应用中使用它之前还有很长的路要走。
UCL Wolfson生物医学研究所的研究联合第一作者Maxime Beau博士说：数十年来，神经科学家一直在为可靠地识别行为过程中同时活跃的许多不同类型的神经元的基本问题而苦苦挣扎。
现在，我们的方法使我们能够识别小鼠和猴子精度超过95％的神经元类型。
``这一进步将使研究人员在执行复杂行为（例如运动）时记录大脑回路。像计算机芯片上的逻辑门一样，大脑中的神经元是几种类型的基本计算单元。
我们的方法提供了一种工具，可以同时识别许多大脑的逻辑门。以前，它只能一次以更高的成本进行。
作者说，该算法可以在不同的物种上应用，这一事实具有扩展到其他动物并最终向人类扩展到人类的巨大潜力。
在短期内，新技术意味着，研究人员可以使用任何正常动物来研究不同的神经元的所作所为以及它们如何相互作用以产生行为，而不是需要复杂的基因工程来研究大脑。
最终的目的之一是能够研究神经系统和神经精神疾病，例如癫痫，自闭症和痴呆症，其中许多人被认为涉及对大脑中不同细胞类型相互作用的方式的变化。
UCL沃尔夫森生物医学研究所研究的高级作者贝弗利·克拉克（Beverley Clark）教授说：“乐团中的许多不同乐器有助于交响乐的声音，大脑依靠许多独特的神经元类型来创造人类和其他动物展示的复杂行为。
我们的工作类似于学习每种乐器发出的声音，然后教一种算法来认识到它们每个仪器对交响曲的贡献。
100多年来，能够观察到动作中大脑的这种神经交响曲一直是神经科学的根本挑战，现在我们有一种可靠地这样做的方法。
尽管该技术距离能够用于研究癫痫等神经系统疾病还有很长的路要走，但我们现在克服了达到这一目标的主要障碍。
实际上，在手术期间，已经在患者中记录了一些活着的人脑活动的记录，我们的技术可用于研究这些记录，以更好地了解我们的大脑在健康方面的工作方式，然后是健康。
对我们的大脑工作方式的了解得以提高，可以为医学科学的某些开创性进步铺平道路，其中一些已经即将到来。
人脑对计算机界面或神经植入物就是这样一种可能性。例如，UCSF Weill神经科学研究所正在进行的研究使一个瘫痪的男人能够使用神经植入物控制一个七个月的机器人手臂。
像当前的研究一样，这项工作也通过研究动物大脑中的电模式并使用AI自动识别这些模式来告知这项工作。
作者说，区分神经元类型的新技术可以通过更准确地记录哪些类型的细胞在特定的作用中有助于改善神经植入物，从而使植入物更容易识别特定信号并生成适当的响应。
这项技术的关键是了解我们的大脑在健康时的工作原理，以便对任何损害进行补偿。例如，如果一个人的中风并且部分大脑受到损害，则需要理解该位在您可以考虑设计植入物以复制该功能之前的工作原理。
UCL医学系和香港大学研究的高级作者MichaelHâäusser教授说：``该项目得益于三项关键创新的融合：使用分子生物学成功地将不同的神经元类型标记为使用光，硅探针记录技术的发展，当然是深度学习中的进步。
至关重要的是，我们团队中的协同作用绝对是工具性的。UCL，Baylor，Duke和Bar Ilan University的合作伙伴实验室都为难题贡献了关键作品。就像大脑一样，整体大于其部分的总和。
团队收集的数据库是免费的，算法是开源的，这意味着来自世界各地的科学家可以将这些资源用于神经学研究。
资金：这项研究由惠康，国立卫生研究院（NIH），欧洲研究委员会（ERC）和欧盟Horizon 2020研究与创新计划提供资金。
关于此AI和神经科学研究新闻
作者：马特·米德利（Matt Midgley）
来源：UCL
接触：马特·米德利（Matt Midgley）
图像：图像被认为是神经科学新闻
原始研究：开放访问。
一种深度学习策略，可以从高密度的细胞外记录中识别跨物种的细胞类型贝弗利·克拉克（Beverley Clark）等人。细胞
抽象的
一种深度学习策略，可以从高密度的细胞外记录中识别跨物种的细胞类型
高密度探针允许在整个大脑回路中同时来自许多神经元的电生理记录，但无法揭示细胞类型。
在这里，我们制定了一种策略，以鉴定清醒动物中细胞外记录的细胞类型，并揭示具有独特功能，分子和解剖学特性的神经元的计算作用。
我们使用小脑将光遗传学和药理学组合为测试床，以生成用于Purkinje细胞，分子层中间神经元，高尔基体细胞和苔藓纤维的电生理特性的策划地面真相库。
我们训练一个半监督的深度学习分类器，该分类器可根据记录神经元的波形，放电统计和层的细胞类型预测精度超过95％的细胞类型。
分类器的预测与使用不同探针，不同实验室，功能不同的小脑区域以及整个物种的不同探针对记录的专家分类一致。
我们的分类器通过揭示行为过程中同时记录的细胞类型的独特贡献来扩展现代动力学系统分析的力量。