[发明专利]一种采用多模态信息对非人灵长类神经元分类的分析方法

说明书

本发明公开了一种采用多模态信息对非人灵长类神经元分类的分析方法，包括如下：获取待分类的非人灵长类神经元的电生理信号、形态信息、基因信息三个模态的多个特征；构建电生理信号、形态信息、基因信息三个模态对应的分类模型，分别对分类模型进行训练；将待分类的非人灵长类神经元的电生理信号、形态信息、基因信息对应的特征分别输入对应训练好的分类模型中；其中，随机森林模型对输入的特征进行处理，得到特征向量和特征向量的重要性；将特征向量和特征向量的权重输入逻辑回归模型，最终输出对应每个神经元特征属于每个类别的预测概率；对三个模态下预测得到每个类别的预测概率进行加权平均，将得到预测概率最高对应的类别为最终的分类结果。

技术领域

本发明涉及医学与计算机信息技术领域，更具体的，涉及一种采用多模态信息对非灵长类神经元分类的分析方法。

背景技术

神经元是中枢神经系统的重要组成部分，是编码生理信息，执行中枢神经系统功能的基本元件。不同的神经元之间具有高度的差异性，在信息编码中起着不同的作用。对神经元的常规分类方法依赖人工观察，通过细胞形态、生理功能和基因表达手动分类标注的方法，对神经元进行分类。这样的标注方法高度依赖有经验的专家，具有较强的主观性且效率低下。

随着新技术的发展，可以高通量快速获得神经元的大量特征，建立神经元包含形态、功能和基因表达谱的多模态信息。为了更好的对神经元进行分类，研究者们相继提出一些算法，依据基因表达对神经元类型进行标注。但是结果不尽如人意。有些神经元之间的基因表达差异不大，而形态、电生理差异大，或者有些细胞无法完整获得基因信息，这些情况下已有的算法无法对它们进行标注。

同时，灵长类中枢神经系统与目前广泛研究的小鼠之间有很大的差异。例如，灵长类具有小鼠不具有的双眼视觉和三色视觉，具有分别对应左右眼的眼优势柱。同时，灵长类大脑皮层经过长期演变，演化出了多类具有特殊形态的新型神经元。例如有增大的胞体、等粗且呈双极分布的顶树突和基部树突，被称为纺锤形细胞，另一类同样具有增大的胞体，但脑表一侧树突分为两支，形成叉状，被称为叉状细胞。这些特异的神经元是灵长类等具有高级认知功能的动物特有，而在小鼠中并未发现。因此，基于小鼠的细胞分类方法并不能直接用于非人灵长类中。想要实现对灵长类神经元高效、准确的分类，在神经系统疾病患者中的临床应用，需要发展新的算法。

目前基于机器学习的方法客观对灵长类神经元进行分类的方法尚属空白。类似分类技术主要存在于小鼠中，例如现有技术通过获取单细胞基因（转录组）信息，之后采用荧光标记特异标签基因神经元，实现形态和基因的整合。但是这种技术存在的缺点如下：没有包含对神经元分类具有重要提示作用的电生理信息。同时，神经元形态只局限于病毒转染的表达特异标签基因的神经元，不能应用于全部神经元类型。这一方法将形态对应到已确认的细胞类型中，无法实现对神经元的自动分类。

又例如，现在技术还提供了使用机器学习方法将细胞如T细胞分类的方法。所述方法可以用于将混合细胞群体中的不同细胞子集或类型分类。但是这种技术存在的缺点如下：主要应用于白细胞分类。白细胞主要存在于血管中，在免疫中起到重要作用。其形态、电生理特性与基因表达与神经元有巨大差异。该方法仅依赖白细胞的成像信息进行分类。神经元形态复杂而多变，同时和白细胞有较大区别，无法采用该方法对神经元进行分类。

发明内容

本发明为了解决以上现有技术存在的不足与缺陷的问题，提供了一种采用多模态信息对非灵长类神经元分类的分析方法。

为实现上述本发明目的，采用的技术方案如下：

一种采用多模态信息对非人灵长类神经元分类的分析方法，所述的方法包括步骤如下：

获取待分类的非人灵长类神经元的电生理信号、形态信息、基因信息三个模态的多个特征；

分别构建电生理信号、形态信息、基因信息三个模态对应的分类模型，根据预先建立的数据库分别对分类模型进行训练，所述的分类模型均包括随机森林模型、逻辑回归模型；