在现代神经科学研究中，解析大脑复杂的神经回路是理解认知与行为的基础。然而，如何从海量的连接组数据中准确识别神经元类型，长期以来一直是该领域的重大挑战。近日，发表于《自然·通讯》（Nature Communications）的一项研究提出了一种名为NTAC（基于连接性的神经元类型分配）的创新算法，为基于突触连接模式进行神经元分类提供了高效的计算框架。

传统的神经元分类主要依赖于形态学特征、电生理特性或单细胞转录组测序。虽然这些方法在特定尺度上卓有成效，但在面对大规模电子显微镜（EM）重构的连接组数据时，往往面临数据维度高、特征提取困难以及跨模态整合复杂等问题。NTAC算法的核心逻辑在于利用神经元在突触连接网络中的拓扑结构特征，通过机器学习手段实现细胞类型的自动分配。该算法首先构建神经回路的连接矩阵，然后提取每个神经元的连接指纹（connectivity fingerprint），包括输入和输出突触的分布模式、突触权重等拓扑属性。随后，采用图神经网络（GNN）等深度学习模型对这些特征进行编码和聚类，从而将神经元分配到不同的类型中。

研究团队通过对果蝇视觉系统和小鼠初级视觉皮层等公开连接组数据集进行验证，发现不同类型的神经元在局部回路中表现出独特的连接指纹。NTAC算法能够有效区分具有相似形态但功能迥异的神经元亚型，例如区分不同类型的中间神经元和投射神经元。实验结果表明，该算法在处理复杂神经网络数据集时，分类准确率超过90%，显著优于传统的聚类分析方法（如K-means和层次聚类）。此外，NTAC算法对噪声和缺失连接具有鲁棒性，即使在连接数据不完整的情况下也能保持较高的分类性能。

该研究的意义不仅在于提供了一种新的分类工具，更在于其推动了连接组学向功能解析的跨越。通过NTAC算法，研究人员可以更精准地将结构连接与神经功能相对应，从而揭示大脑在处理信息时的回路机制。例如，在果蝇视觉系统中，NTAC算法成功识别出对特定视觉刺激（如运动方向）有选择性反应的神经元类型，为理解视觉信息处理提供了新的视角。这一方法论的创新，为未来构建全脑尺度的细胞类型图谱奠定了坚实的计算基础，对于研究神经发育疾病（如自闭症）及脑功能障碍（如阿尔茨海默病）具有重要的参考价值，因为许多神经疾病涉及突触连接异常。

期刊参考文献：NTAC: Neuronal type assignment from connectivity. Nature Communications, 2025.