Детальная информация

Объект исследования - популяции нейронов первичной зрительной коры мыши, зарегистрированные методом двухфотонной кальциевой микроскопии (датасет MICrONS). Цель работы - разработать и экспериментально верифицировать графовую модель кодирования нейрональной активности, обеспечивающую восстановление временных рядов и сохранение функциональной топологии нейронной сети. Метод. Предложена двухэтапная архитектура. На первом этапе одномерная свёрточная нейронная сеть (1D-CNN) кодирует кальциевый сигнал каждого нейрона независимо, формируя признаковый вектор. На втором этапе графовый автоэнкодер (GCN) агрегирует контекст нейронных соседей в графе функциональных взаимодействий, образуя итоговое латентное пространство. Два декодера восстанавливают исходный сигнал и трёхмерные координаты нейрона. Результаты. На тестовом батче достигнуты следующие метрики восстановления сигнала: MSE = 0.005, RMSE = 0.068, MAE = 0.048, 𝑅 2 = 0.45. Медианная ошибка восстановления координат составила 8.87 пикселя (среднее 10.0 px). Сравнение эмбеддингов до и после графовой контекстуализации показало рост наклона косинусной зависимости от корреляции сигналов с 0.41 до 1.01 и существенное снижение разброса зависимости 𝐿2-расстояния от корреляции. Область применения. Разработанный метод применим к анализу данных кальциевой микроскопии, проектированию нейроинтерфейсов и исследованию принципов популяционного кодирования в сенсорных зонах коры. Вывод. Графовая контекстуализация нейронных представлений формирует метрически согласованное латентное пространство: нейроны с высокой корреляцией активности располагаются близко по евклидовой и косинусной мерам. Двухэтапная архитектура позволяет одновременно решать задачи восстановления сигналов и локализации нейронов.

Object of research - neuronal populations of the mouse primary visual cortex recorded via two-photon calcium microscopy (MICrONS dataset). Objective - to develop and experimentally validate a graph-based model for neural activity encoding that enables accurate signal reconstruction and preserves the functional topology of the neural network. Method. A two-stage architecture is proposed. In the first stage, a one–dimensional convolutional neural network (1D-CNN) encodes each neuron’s calcium signal independently into a feature vector. In the second stage, a graph autoencoder (GCN) aggregates neighbourhood context within a functional interaction graph to produce the final latent representation. Two separate decoders reconstruct the original signal and the three-dimensional spatial coordinates of each neuron. Results. On the test batch, the following signal reconstruction metrics were achieved: MSE = 0.005, RMSE = 0.068, MAE = 0.048, 𝑅2 = 0.45. The median coordinate reconstruction error was 8.87 pixels (mean 10.0 px). Comparing embeddings before and after graph contextualisation showed that the slope of the cosine-similarity–versus-correlation dependence increased from 0.41 to 1.01, with a substantial reduction in the scatter of the latent-distance-versus-correlation dependence. Application area. The proposed method is applicable to calcium microscopy data analysis, brain-computer interface development, and the study of population coding principles in sensory cortical regions. Conclusion. Graph contextualisation of neuronal representations produces a metrically consistent latent space in which functionally similar neurons are geometrically proximate under both Euclidean and cosine similarity measures.