神經元怎麼分類？從形態、拓樸到圖神經網路
神經元的形狀千差萬別，有些擁有高聳的頂端樹突，有些則伸展出複雜的軸突網路。對神經科學家來說，這些差異不只是外觀，它們往往也反映了神經元不同的功能與身分。 傳統的神經元形態分類方法往往仰賴專家觀察神經元的形態，再判斷它屬於哪一種類型。然而，這些判斷標準之間可能存在模糊地帶，不同專家的分類結果也未必完全一致。另一種做法，則是把神經元轉換成一系列數值特徵，例如總長度、分枝數量、彎曲程度或不對稱程度，再交給機器學習模型分類。問題是，一棵結構複雜的神經元，如果最後只剩下幾個數字，也可能因此遺失許多原本重要的結構資訊。 因此，研究團隊不只想知道哪一種模型分得最準，而是想比較不同的數學表示方式，究竟各自看見了神經元形態中的哪些資訊。研究團隊主要比較三種方式。 第一種是傳統的形態量測，也就是把神經元轉換成長度、角度與分枝數等特徵。第二種叫做Topological Morphology Descriptor（TMD），它不只是計算神經元有多少分枝，而是描述整棵神經元的分枝結構，可以把它想成替每顆神經元建立一張拓樸指紋。第三種則是圖神經網路（Graph Neural Network，GNN）。神經元其實天生就很適合被表示成一張圖。我們可以把分枝點看成節點，而彼此相連的樹突或軸突則看成邊。GNN不需要先把整顆神經元壓縮成幾個人工設計的特徵，而是直接從這些節點之間的連接關係中學習。研究團隊甚至同時考慮了從胞體往末端，以及從末端回到胞體兩種方向，希望保留神經元本身的方向性與樹狀結構。 結果發現，並沒有一種方法能在所有神經元上都表現最好。 在錐體神經元的分類中，GNN和TMD的表現特別好，部分資料集的準確率接近九成。在其中一組資料中，兩位人類專家彼此分類一致的程度約為八成，而部分模型的表現也達到相近水準。 不過，到了抑制性神經元，分類就變得困難許多。研究發現，對錐體神經元來說，最具有辨識力的通常是頂端樹突；但對抑制性神經元而言，反而是軸突的形態更加重要。這也說明，不同種類的神經元，真正能代表它們身分的結構特徵，可能藏在不同的位置。 研究團隊也進一步考慮了一個很重要的問題：模型到底是根據神經元的哪個部分做出判斷？ 透過可解釋人工智慧的方法，他們發現GNN會特別注意某些分枝與節點，例如錐體神經元頂端的樹突叢。而TMD和GNN雖然常常會對同一顆神經元做出正確判斷，卻...
