論文の概要: Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons

• arxiv url: http://arxiv.org/abs/2603.11000v1
• Date: Wed, 11 Mar 2026 17:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.080292
• Title: Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons
• Title（参考訳）: 神経性GABA作動性ニューロンにおける電気生理学的-トランスクリプトミクスマッピングのための異種間伝達学習
• Authors: Theo Schwider, Ramin Ramezani,
• Abstract要約: 単細胞電気生理学的記録は神経機能多様性への強力な窓を提供する。 Gouwensらによって導入された電気生理転写学の枠組みを複製し拡張する。 私たちは、マウスとヒトの皮質の両方から公開されているAllen Institute Patchseqデータセットを使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell electrophysiological recordings provide a powerful window into neuronal functional diversity and offer an interpretable route for linking intrinsic physiology to transcriptomic identity. Here, we replicate and extend the electrophysiology-to-transcriptomics framework introduced by Gouwens et al. (2020) using publicly available Allen Institute Patch-seq datasets from both mouse and human cortex. We focus on GABAergic inhibitory interneurons to target a subclass structure (Lamp5, Pvalb, Sst, Vip) that is comparable and conserved across species. After quality control, we analyzed 3,699 mouse visual cortex neurons and 506 human neocortical neurons from neurosurgical resections. Using standardized electrophysiological features and sparse PCA, we reproduced the major class-level separations reported in the original mouse study. For supervised prediction, a class-balanced random forest provided a strong feature-engineered baseline in mouse data and a reduced but still informative baseline in human data. We then developed an attention-based BiLSTM that operates directly on the structured IPFX feature-family representation, avoiding sPCA and providing feature-family-level interpretability via learned attention weights. Finally, we evaluated a cross-species transfer setting in which the sequence model is pretrained on mouse data and fine-tuned on human data for an aligned 4-class task, improving human macro-F1 relative to a human-only training baseline. Together, these results confirm reproducibility of the Gouwens pipeline in mouse data, demonstrate that sequence models can match feature-engineered baselines, and show that mouse-to-human transfer learning can provide measurable gains for human subclass prediction.
• Abstract（参考訳）: 単細胞電気生理学的記録は、神経機能多様性への強力な窓を提供し、内因性生理学と転写学的アイデンティティを結びつけるための解釈可能な経路を提供する。 本稿では,Gouwensらによって導入された電気生理学と転写学の枠組みを,マウスおよびヒト大脳皮質のAllen Institute Patch-seqデータセットを用いて再現し,拡張する。 本研究は, GABA作動性抑制性介在ニューロンを標的としたサブクラス構造(Lamp5, Pvalb, Sst, Vip)の同定を行った。 品質管理後,3,699個のマウス視覚野ニューロンと506個のヒト大脳皮質ニューロンを神経外科的切除により解析した。 標準化された電気生理学的特徴とスパースPCAを用いて,本研究で報告された主要なクラスレベルの分離を再現した。 教師付き予測のために、クラスバランスのランダム・フォレストは、マウスデータに強力な特徴工学的ベースラインを提供し、人間データには小さいが、情報的ベースラインを提供した。 次に、構造化IPFX特徴系列表現を直接操作し、sPCAを回避し、学習された注意重みによる特徴家族レベルの解釈性を提供する注目ベースのBiLSTMを開発した。 最後に,ヒトのみのトレーニングベースラインに対するヒトマクロF1を改良し,マウスデータに事前学習し,ヒトデータに微調整を施した種間移動環境の評価を行った。 これらの結果はマウスデータにおけるGouwensパイプラインの再現性を確認し、配列モデルが特徴工学的ベースラインと一致することを証明し、マウス-人間移動学習が人間のサブクラス予測に測定可能な利益をもたらすことを示した。

関連論文リスト

• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• Mapping fNIRS Signals to Agent Performance: Toward Reinforcement Learning from Neural Feedback [2.933736356368701]
  Reinforcement Learning from Human Feedback (RLHF) は、エージェントのトレーニングプロセスに人間のフィードバックを統合することで、エージェントの行動と人間の嗜好を整合させる方法論である。 我々は、暗黙の神経信号からエージェントトレーニングを誘導するために、受動的脳-コンピュータインタフェース(BCI)を利用する可能性のあるフレームワークを紹介する。 筆者らは, ピック・アンド・プレイス・ロボット, ルナー・ランダー, フラッピーバードという3つの領域にわたる25人の被験者から収集した, 機能的近赤外分光法(fNIRS)のデータセットを作成した。
  論文  参考訳（メタデータ） (2025-11-17T00:21:46Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• Estimating Neural Representation Alignment from Sparsely Sampled Inputs and Features [17.44935381873858]
  入力と特徴サンプリングの両方を補正する新しい推定器を導入する。 脳から脳へのアライメントとモデルから脳へのアライメントの評価に本手法を用いた。
  論文  参考訳（メタデータ） (2025-02-20T23:50:45Z)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• Cross-Species Data Integration for Enhanced Layer Segmentation in Kidney Pathology [5.9813635886408045]
  レイヤセグメンテーションのための高品質なディープラーニングモデルのトレーニングは、大量の注釈付きデータの可用性に依存している。 患者の医療データのプライバシーと臨床症例が少ないため、臨床資料からの病理的データセットは比較的困難で高価である。 マウス腎臓データのような種間データでは、人間の腎臓と高い構造を持ち、特徴的に類似しているため、モデルの性能を高める可能性がある。
  論文  参考訳（メタデータ） (2024-08-17T19:30:40Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
  ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。 本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。 WaLiN-GUIはオープンソースとドキュメントが提供されている。
  論文  参考訳（メタデータ） (2023-10-25T20:34:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。