bioRxiv来源发表:
细胞类型在描述神经元生理特征上的意外有效性
核心概要
该研究利用来自神经外科组织的495个人类神经元的配对转录组与电生理膜片钳测序数据，比较了传统转录组细胞类型分类、基于大规模scRNA-seq预训练的基础模型scGPT表征、离子通道编码基因以及高变基因对电生理特征的预测能力，发现簇级细胞类型表征总体优于高变基因选择、离子通道基因选择和上下文增强的scGPT嵌入，且最佳结果来自将独立的细胞类型模型与scGPT模型输出相结合。
深度剖析
簇级细胞类型表征在预测神经元电生理特征上总体优于高变基因选择、离子通道编码基因选择以及上下文增强的scGPT嵌入。 此前建模转录组与电生理关系仍是挑战，该工作在同一配对数据集上系统比较了传统离散细胞分类与基础模型表征等多种方案。 基于495个人类神经元的配对转录组与电生理膜片钳测序数据，为多方案比较提供了统一的数据基础。
预测性能随模型架构和初始化而变化。 说明不同建模选择会带来性能差异，而非单一方案在所有设定下都占优。 来自对多种模型架构与初始化的比较结果。
将独立的细胞类型模型与基于scGPT的模型输出相结合可获得最佳结果。 表明传统离散细胞分类可与预训练Transformer模型互补，而非相互替代。 来自对组合模型输出与单一方案结果的比较。
启示与展望
该结果适用于来自神经外科组织的人类神经元、以配对转录组与电生理膜片钳测序为设定的场景，为在类似配对数据上选择细胞类型表征或组合模型提供依据；对希望结合传统分类与基础模型的研究者具有直接参考意义。
当前为摘要级阅读，缺少图表与完整方法细节，模型架构、初始化差异的具体表现以及组合方式的可复现性仍需结合原文确认；结果在其他物种、脑区或记录条件下的适用性仍是开放问题。