В рамках исследования, опубликованного в Nature Communications, разработали алгоритм PhysMAP, который по данным электрической активности нейронов определяет тип нейрона – например, возбуждающий это нейрон или тормозной, а среди тормозных – принадлежит ли он к типу PV+, SOM+ или VIP+. Алгоритм PhysMAP позволяет узнавать типы нейронов у любых животных (включая приматов и человека) и в любых отделах мозга, куда можно дотянуться электродом.
Нейроны разных типов отличаются по их электрической активности и по реакции на стимулы. Информация между нейронами передается при помощи электрических импульсов, называемых сигналами или спайками. О том, какие бывают нейроны, мы уже подробно писали. Например, тормозные PV+‑нейроны имеют очень узкие быстрые спайки, а SOM+‑нейроны – более широкие и разнообразные. Однако эффективного способа различать разные виды нейронов на данный момент не существовало. При этом все чаще обнаруживают, что большее число психических расстройств возникают в результате нарушенного взаимодействия между конкретными типами клеток, и это требует их подробного изучения.
Авторы нового исследования взяли уже готовые наборы данных, где были известны как электрическая активность отдельных нейронов, так и их тип клеток. На основе этих данных разработали инструмент под названием PhysMAP, позволяющий различать отдельные типы клеток в условиях электрического шума. Этот новый алгоритм машинного обучения способен определять, как типы клеток влияют как на процессы, протекающие в мозге.
В результате PhysMAP дал четкое разделение типов: PV+‑нейроны компактны и разделены по слоям, SOM+ занимают бо́льшую область, а возбуждающие нейроны слоя 4 и 5 хорошо отделены друг от друга. Алгоритм PhysMAP, распознавал типы клеток с точностью выше, чем любой другой известный метод.
PhysMAP доказывает, что может надежно идентифицировать типы нейронов в живом мозге, зная электрическая активность отдельных нейронов. Это открывает дорогу для более детального изучения мозга приматов и человека.
Текст: Юлия Баимова
A multimodal approach for visualizing and identifying electrophysiological cell types in vivo by Eric Kenji Lee et al, Nature Communications (2026).
DOI: 10.1038/s41467-026-71331-0
