Details

Объектом исследования является морфология дендритов и дендритных шипиков нейронов. Цель работы — разработка биологически информированной графовой нейронной сети NeuroGraph на основе самоконтролируемого обучения (Self-Supervised Learning) для классификации морфологии дендритных шипиков без масштабной ручной разметки данных. В работе применялись методы графо­вых нейронных сетей, архитектура совместного предсказательного встраивания (LeJEPA), а также инструменты объяснимого искусственного интеллекта (XAI). Разработан алгоритм построения пространственного взвешенного графового пред­ставления морфологии дендритов и реализован механизм иерархического пулинга, позволяющий агрегировать признаки отдельных шипиков до уровня целого ней­рона. Апробация на открытом датасете электронной микроскопии Minnie65 и собственном датасете нейронов гиппокампа показала, что предложенный метод превосходит базовые решения PointNet++ и Spiking PointNet. Точность в задаче бинарной классификации нейронов составила 0.985, в задаче выявления патологий болезни Альцгеймера — 0.912. Результаты могут применяться в вычислительной нейробиологии для анализа синаптической пластичности и выявления морфологи­ческих биомаркеров нейродегенеративных заболеваний.

The object of the study is the morphology of dendrites and dendritic spines. The aim of the work is to develop a biologically informed graph neural network NeuroGraph based on self-supervised learning for classifying dendritic spine morphology without extensive manual data labeling. The study employs graph neural network methods, the Joint-Embedding Predictive Architecture (LeJEPA), and explainable artificial intelligence (XAI) tools. An algorithm for constructing a spatial weighted graph representation of dendrite morphology was developed, along with a hierarchical pooling mechanism enabling aggregation of individual spine features to the whole-neuron level. Evaluation on the Minnie65 electron microscopy dataset and a custom hippocampal neuron dataset demonstrated that the proposed method outperforms PointNet++ and Spiking PointNet baselines. Binary neuron classification accuracy reached 0.985, and Alzheimer’s disease pathology detection accuracy reached 0.912. The results are applicable in computational neurobiology for the analysis of synaptic plasticity and the identification of morphological biomarkers of neurodegenerative diseases.