XiaoMi-AI文件搜索系统
World File Search SystemNeuron
新兴的忆阻人工神经元和突触装置......
自从 20 世纪中叶麦卡洛克-皮茨神经元 1 和感知器 2 模型诞生以来，人工智能 (AI) 或人工神经网络 (ANN) 在很大程度上仍然是一个计算机科学术语。由于计算能力不足，本世纪后期的进展受到阻碍。1980-2000 年期间的集成电路制造无法在单个处理器和内存芯片上高密度集成晶体管。因此，在深度神经网络 (DNN) 或深度卷积神经网络 (DCNN) 3 上运行模拟并存储指数级累积的数据在时间和能源成本方面是不切实际的，尽管当时 ANN 模型已经相对完善 4-10 。随着芯片密度的提升以及对摩尔定律的追求带来的图形处理单元 (GPU) 等多核处理器的出现，再加上更高效的 ANN 算法 3,11,12，计算能力瓶颈在本世纪初得到成功解决。2012 年，具有十亿个连接的 DNN 被证明能够识别猫和人体等高度概念化的物体 13。同年，DNN 被证明在图像分类准确率方面与人类不相上下（基于 MNIST 数据库），甚至在交通标志识别方面也超越了人类 14。脉冲神经网络 (SNN) 由 Maass 于 1995 年提出 15,16，它采用脉冲
统一社区范围内的全脑成像数据集可以实现强大的自动神经元识别，并揭示秀丽隐杆线虫中神经元定位的决定因素
我们开发了一种用于 C. elegans 体积显微镜数据（静态或视频）的数据协调方法，包括标准化格式、数据预处理技术和一套基于人机交互机器学习的分析软件工具。我们将来自 5 个实验室的 118 个全脑神经活动成像数据集统一起来，将这些数据集和随附工具存储在一个名为 WormID (wormid.org) 的在线存储库中。我们使用此存储库生成统计图谱，该图谱首次实现了跨实验室的精确自动细胞识别，在某些情况下接近人类的表现。我们挖掘这个存储库以确定影响神经元发育定位的因素。为了方便大家使用这个存储库，我们创建了开源软件、代码、基于网络的工具和教程，以探索和管理数据集，为科学界做出贡献。该存储库为实验者、理论家和工具制造者提供了不断增长的资源，以研究不同实验范式中的神经解剖组织和神经活动，开发和基准测试自动神经元检测、分割、细胞识别、跟踪和活动提取的算法，并为神经生物学发育和功能模型提供信息。
自我监督的神经元分割，多代理增强学习
现有监督神经元分割方法的性能高度取决于准确注释的数量，尤其是应用于大型电子显微镜（EM）数据时。通过从未标记的数据中提取语义信息，自我监督的方法可以证明下游任务的性能，其中掩码映像模型（MIM）在其从掩盖的IMEM中恢复原始信息时已广泛使用了蒙版图像模型（MIM）。然而，由于EM图像中高度的结构局部性，并且存在相当大的噪声，因此许多素数很少有歧视性信息，从而使MIM预处理对神经元细分任务有效。为了克服这一挑战，我们提出了一个基于决策的MIM，该MIM利用强化学习（RL）自动搜索最佳的图像掩盖率和掩盖策略。由于巨大的勘探空间，使用单代机Agent RL进行体素预测是不切实际的。因此，我们将每个输入补丁视为具有共同策略的代理，允许多代理协作。此外，这种多代理模型可以在体素之间取决于依赖性，这对下游分割任务是有益的。表明，我们的方法对神经元分割任务的替代自我监督方法具有重要的影响。代码可在https://github.com/ydchen0806/dbmim上使用。
秀丽隐杆线虫中的神经元活动自动分类
秀丽隐杆线虫通常用于研究神经活动，因为 1) 它的基因组和连接组已经得到充分研究，只有 302 个神经元；2) 它的透明度使它能够捕捉详细的神经活动；3) 它具有自体受精的能力，这使得维持基因相同的秀丽隐杆线虫种群成为可能。分析秀丽隐杆线虫的图像具有将特定神经元的活动与行为或环境刺激联系起来的潜力。然而，由于难以命名这些图像中的特定神经元，因此产生此类见解受到限制。当前的方法依赖于手动分类，这既耗时又容易出错。可以利用 ZephIR 等神经元跟踪系统来帮助执行标记。但是，以这种方式使用跟踪系统需要每 11 分钟捕获的图像额外进行 45 分钟的手动标记，才能跟踪特定的神经元。在本研究中，我们开发了一种基于神经网络的分类器，可以自动标记秀丽隐杆线虫中的感觉神经元，准确率高达 91.61%。这是通过使用迭代的、基于地标的神经元识别过程实现的，旨在模仿手动注释程序。
TreeMoCo：对比神经元形态表征学习
神经元树的形态是描绘神经元细胞类型、分析大脑发育过程和评估神经系统疾病病理变化的关键指标。传统的分析主要依赖于启发式特征和视觉检查。神经元形态的定量、信息丰富和全面的表示在很大程度上是缺失的，但这是人们所期望的。为了填补这一空白，在这项工作中，我们采用 Tree-LSTM 网络对神经元形态进行编码，并引入一个名为 TreeMoCo 的自监督学习框架来学习不需要标签的特征。我们在来自三个不同公共资源的 2403 个高质量小鼠大脑 3D 神经元重建上测试了 TreeMoCo。我们的结果表明，TreeMoCo 在对主要脑细胞类型进行分类和识别亚型方面都很有效。据我们所知，TreeMoCo 是第一个探索使用对比学习来学习神经元树形态表示的模型。它具有为定量神经元形态分析带来新启示的巨大潜力。代码可在https://github.com/TencentAILabHealthcare/NeuronRepresentation 上找到。
粘弹性如何影响触觉神经元信号
抽象的人皮肤及其潜在的组织构成粘弹性培养基，这意味着11个变形不仅取决于当前施加的力，还取决于最近的12个历史。这种物理记忆对自然手工使用期间一阶触觉13神经元的信号传导的程度尚不清楚。在这里，我们检查了过去14个负载对快速适应（FA-1）和缓慢适应（SA-1和SA-2）的响应的影响，第一阶15触觉神经元将人填充对载荷施加到施加到不同方向上的载荷16代表对象操纵任务的载荷。我们发现上述载荷中的变化17伴有力方向的神经元的总体信号传导。有些神经元一直信号传达了当前的18个方向，而另一些神经元则既发出了当前和前面的方向，否则主要是前面的方向。此外，负载之间的SA-2神经元中的持续脉冲活性20表示与FifeFertip的粘弹性变形状态有关的信息。我们得出的结论是，在人群级别上的21个触觉神经元信号是关于FiffifeTip的22个粘弹性变形态的连续信息，该信息是由其最近的历史和当前负载所塑造的。这样的23个信息可能使大脑正确地解释当前力量加载并帮助24个计算准确的电动机命令，以与操作和触觉25个任务中的对象进行交互。26
人类IPSC衍生的前脑神经元前体细胞
人类IPSC衍生的前脑神经元前体细胞是由人类诱导的多能干细胞（IPSC）系，健康对照的人IPSC线，女性，SCTI003-A（目录＃200-0511），使用STEMDIFF™SMADI NEURAL诱导KIT（目录和Catalog with newur＃08581），并使用STEMDIFF™SMADIFIFF™ ＃08600）。应使用STEMDIFF™前脑神经元成熟试剂盒（目录＃08605）融化和成熟的人类IPSC衍生的前脑神经元前体细胞，这将导致高度纯的前脑型神经元（≥80％IIIβ-iiβ-β-型β-三级型neurons; <15％s100berys; <15％s100beyt;这些神经元具有功能性，可以长期保持培养。它们是用于建模人类神经系统发育和疾病，药物筛查，毒性测试和细胞疗法验证的多功能工具。
甲状腺激素在 GABA 能神经元成熟过程中的作用
甲状腺激素 (TH) 信号在哺乳动物大脑发育中起着重要作用。过去几年在动物模型中获得的数据已确定 GABA 能神经元是发育过程中 TH 信号的主要靶点，这为进一步研究 TH 影响大脑发育的机制开辟了新的视角。本综述的目的是收集有关 TH 参与 GABA 能神经元成熟的可用信息。在概述人类大脑发育过程中 TH 信号中断可能引起的神经系统疾病类型后，我们将从历史的角度展示甲状腺功能减退的啮齿动物模型如何逐渐将 GABA 能神经元指向大脑发育过程中 TH 信号的主要靶点。本综述的第三部分强调了在进行基因表达研究以研究大脑发育过程中 TH 受体下游发挥作用的分子机制时遇到的挑战。阐明 TH 在发育大脑中的作用机制有助于在预防和治疗多种神经系统疾病（包括自闭症和癫痫）方面取得进展。
基于单个神经元活动的前额皮质图
。CC-BY-NC-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权持有者于 2024 年 11 月 8 日发布了此版本。；https://doi.org/10.1101/2024.11.06.622308 doi：bioRxiv 预印本
神经元混合器及其对人脑动力学的影响
同样，三重态𝑓1，𝑓2和∑𝑓 =𝑓=𝑓1 +𝑓2，三重态𝑓1，∆𝑓和∑𝑓以及三重态𝑓2，∆𝑓和∑𝑓的瞬时阶段也必须显示三路相依赖性。一起，四个频率包含一个频率混合四频。我们重复了离体实验，但现在我们记录了没有电刺激的跨膜电势，然后评估了所有可能的频率混合四分之一的联合相互作用（即根：𝑓1，𝑓2; products：25