连接组尺度的自监督表征学习揭示了超越经典标签的神经元组织结构

致密电子显微镜连接组提供了具有突触分辨率的神经元结构与连线图谱，但要在尽量少的人为干预下学习能够整合结构与连通性、并用于连接组发现的可扩展表征，仍然十分困难。本文提出了一种用于致密连接组中结构—连通性表征学习的自监督框架。分层图神经网络结合骨架分解，使得能够从精细采样的 FlyWire 神经元骨架中进行对比学习，并表明精细骨架相比粗粒度表征保留了显著更丰富的身份信息。无坐标拓扑降低了发育和几何混杂因素的影响，从而改善了聚类和低标签效率推断。随后，我们将所学习到的结构嵌入用作突触伙伴的连续描述符，以构建结构驱动的连通性表征，从而在无需预定义伙伴类型标签的情况下提升亚型判别能力。迭代式多跳学习进一步揭示了更高阶的组织结构，包括半球连通性的侧化以及由连通性定义的亚群。注意力分析将这些差异与特定突触伙伴联系起来。总体而言，这些结果建立了一个自监督且可扩展的框架，用于在大规模致密连接组中发现神经元身份及连接组组织。

连接组尺度的自监督表征学习揭示超越经典标签的神经元组织 | bioRxiv

跳转至主要内容 首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 新结果

连接组尺度的自监督表征学习揭示超越经典标签的神经元组织

Te Shi， Yinda Chen， Chunxiuzi Liu， Ruobing Zhang

doi： https://doi.org/10.64898/2026.06.30.735468

Te Shi 1 合肥综合性国家科学中心人工智能研究院； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可协议 提供。

返回顶部 上一篇 下一篇

发表于 2026年7月4日。

下载 PDF 电子邮件

感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 *

您的姓名 *

发送至 *

请输入多个地址，每行一个，或用逗号分隔。

您将要通过电子邮件发送以下内容 连接组尺度的自监督表征学习揭示超越经典标签的神经元组织

邮件主题 （您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。

分享

连接组尺度的自监督表征学习揭示超越经典标签的神经元组织

Te Shi， Yinda Chen， Chunxiuzi Liu， Ruobing Zhang

bioRxiv 2026.06.30.735468； doi： https://doi.org/10.64898/2026.06.30.735468

分享此文章： 复制

引文工具

连接组尺度的自监督表征学习揭示超越经典标签的神经元组织

Te Shi， Yinda Chen， Chunxiuzi Liu， Ruobing Zhang

bioRxiv 2026.06.30.735468； doi： https://doi.org/10.64898/2026.06.30.735468

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.30.735468v1?rss=1

🏷️ 连接组 自监督学习 图神经网络 神经元分型 电子显微镜