소마 인스턴스 분할, 즉 개별 세포 소마를 서로 다른 인스턴스로 식별하고 경계를 구분하는 작업은 세포 분석과 커넥톰(connectome) 재구성에 필수적이다. 3차원 전자현미경(3D EM)은 나노미터 스케일 해상도로 세밀한 소마 형태를 포착할 수 있다. 그러나 밀집된 인스턴스 수준의 수동 주석은 비용이 지나치게 커서 완전 지도 방법의 확장성을 제한한다. 이 문제를 해결하기 위해, 부분 주석 제약 하에서 3D EM 소마 인스턴스 분할을 위한 약지도 프레임워크 SomaNet을 제안한다. SomaNet은 부분 레이블에 맞춘 교사-학생(teacher-student) 학습 패러다임을 채택한다. 교사는 부분적으로 주석된 데이터로 학습하여 의사 레이블(pseudo-label)을 생성하고, 학생은 부분 정답 주석과 생성된 의사 레이블로부터 공동 학습하여 점진적으로 밀집한 인스턴스 분할을 복원한다. 인스턴스 수가 다양한 제한적 감독 하에서 세포 소마를 정확히 구분하기 위해 SomaNet은 어피니티 학습(affinity learning)을 통합하여, 인스턴스 내부에서는 높은 유사도를, 인스턴스 경계를 넘어서는 경우에는 낮은 유사도를 유도한다. 의미 기반 어피니티 디코딩과 2D-to-3D 재구성을 통해 2D 백본의 넓은 수용 영역(receptive field)을 유지하면서 부피적으로 일관된 3D 소마 인스턴스를 생성한다. 이 프레임워크는 아키텍처에 유연하며 비전 트랜스포머(vision transformer)와 파운데이션 모델(foundation model)을 포함한 다양한 백본을 지원하여, 사전학습된 시각 표현을 부피 EM 분할로 직접 이전할 수 있게 한다. 3D EM 뇌 데이터셋에서의 실험은 SomaNet이 부분 주석 하에서 다양한 소마 형태를 가진 영역 전반에 걸쳐 정확하고 견고한 소마 인스턴스 분할을 달성함을 보여준다. 코드는 https://github.com/mkhateri/SomaNet 에서 이용할 수 있다.
신경계가 출생부터 성체까지 스스로 배선되는 방식을 이해하는 것은 발달 신경과학의 근본적인 과제이다. 우리는 시간적 그래프 신경망(TGN)을 C. elegans 신경 발달의 두 가지 상호 보완적 표현에 적용하는 시간적 그래프 프레임워크 DevoTG를 제시한다: 세포 계보 데이터에서 도출된 세포 분열 이벤트의 연속 시간 동적 그래프(CTDG)와, 8개의 재구성된 전자현미경 데이터셋에 걸쳐 발달 중인 시냅스 커넥톰의 이산 시간 동적 그래프(DTDG)이다. 계보 예측 과제에서 우리의 TGN은 평균 테스트 AUC 0.839 ± 0.007(5개 시드; 검증 AUC 0.937 ± 0.001)을 달성하며, 동일한 아키텍처의 정적 GNN을 26 AUC 포인트(0.577 ± 0.080) 차이로 능가함으로써 시간적 메모리가 결정적 요인임을 입증한다. 커넥톰 DTDG에 적용된 DevoTG는 발달 과정(L1 출생~성체)에 걸쳐 225개 뉴런과 858~2,496개 연결에서 세 가지 연결 안정성 분류(안정적, 발달적, 가변적)를 식별하며, Witvliet et al.의 개체 변이성 분류에 대한 시간적 그래프 이론적 보완을 제공한다. 허브 명령 개재뉴런 AVA, AVB, AVE에 대한 분석은 이들의 지속적인 중심성과 유충 단계 전반에 걸쳐 통합 역할이 점진적으로 강화되는 방식을 밝혀낸다. 대화형 시각화(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 통해 발달 동역학을 생물학적 가설 생성에 활용하기 쉽게 제공한다. DevoTG는 오픈 소스이며 다른 발달 중인 신경계로의 확장을 위해 설계되었다. 코드는 https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG에서 공개적으로 이용 가능하다.
교정(proofreading)—3D 뇌 재구성에서의 분할(segmentation) 오류 수정—은 시냅스 해상도 커넥톰학(connectomics)의 속도 제한 단계(rate-limiting step)이다. 우리는 ConnectomeBench2를 공개한다. 이는 716,485건 이상의 전문가 라벨링된 교정 결정과 4개의 주요 공개 커넥톰(쥐, 인간, 제브라피시, 파리)에 걸친 450만 건 이상의 관련 이미지를 포함하는 통합 다종(multi-species) 데이터셋으로, 분할(split) 및 병합(merge) 오류 수정을 모두 포괄한다. 이 데이터셋으로 학습된 단일 Vision Transformer는 메시(mesh) 기하학과 전자현미경(electron microscopy)용 공유 인코더를 갖추고, 분할 오류 수정과 병합 오류 식별에서 종(species) 간 인간 수준의 정확도에 도달하며, 성능은 데이터 크기와 모달리티에 따라 스케일링(scaling)된다. 정확도를 넘어, 모델이 분포 내(in-distribution)에서 잘 보정(calibrated)되어 있음을 보이고, 분포 거리 측정이 보지 못한(unseen) 데이터에서 보정과 정확도가 저하될 위치를 예측함을 보이며, 커넥톰학 특화 사전학습(pre-training)과 능동 학습(active learning) 기반 샘플 선택이 새로운 종과 뇌 영역으로 확장하는 데 필요한 라벨링 노력을 실질적으로 줄일 잠재력을 보임을 보인다. 이 벤치마크는 커넥톰 교정을 위한 점점 더 강력한 비전 모델을 학습하고 평가할 인프라를 제공한다.
데이터 및 코드 공개. ConnectomeBench2 데이터셋은 https://huggingface.co/datasets/jeffbbrown2/ConnectomeBench2 Hugging Face에서 공개된다. 동반 코드베이스는 https://github.com/timfarkas/ConnectomeBench2 GitHub에서 이용 가능하다.