[2025年9月21日提出 (v1)、最終改訂 2026年7月30日（本バージョン、v2）]

View PDF HTML (experimental)

Abstract:生物の行動の違いは、健康か病理的かを問わず、神経回路の構造と密接に関連しています。しかし、これらの変異を生み出す微細なシナプス変化については、スパースなアノテーション、形態の多様性、データセット間のドメインシフトにより、シナプスを信頼性が高くかつ大規模に検出するという持続的な課題のため、依然として十分に理解されていません。Volume electron microscopy (EM) はシナプス構造を捉えるのに必要な分解能を提供しますが、自動検出は依然として困難です。この課題に対処するため、我々は3つの主要な貢献を行います。第一に、成体および幼虫のDrosophila melanogasterとMegaphragma viggianii（micro-WASP）の2種の無脊椎動物にわたる4つのデータセットからなる多様なEMベンチマークを整備しました。第二に、pre-およびpost-synaptic部位の周囲に双チャネルの球形マスクを予測するよう訓練された単段Residual U-NetであるSimpSynを提案します。これはアーキテクチャの複雑さよりもトレーニングおよび推論速度、アノテーション効率を優先する設計です。第三に、シナプス対を共同で推論する最先端のマルチタスクモデルであるBuhmannらのSynful [1]に対してSimpSynをベンチマークしました。SimpSynはその単純さにもかかわらず、すべてのボリュームでシナプス部位検出のF1-scoreにおいてSynfulを一貫して上回りました。データセット間の汎化は依然として限定的ですが、SimpSynは統合コホートで訓練した場合に競争力のある性能を達成しました。最後に、アブレーションにより、ローカルピーク検出や距離ベースのフィルタリングといった単純な後処理戦略が、複雑なテストタイムヒューリスティクスなしに強力な性能をもたらすことが明らかになりました。総じて、我々の結果は、タスク構造に適合させた軽量モデルが、大規模コネクトミクスパイプラインにおけるシナプス検出のための実用的かつスケーラブルなソリューションを提供することを示唆しています。

Submission history

From: Samia Mohinta [view email]
[v1] Sun, 21 Sep 2025 11:40:49 UTC (13,282 KB)
[v2] Thu, 30 Jul 2026 12:58:05 UTC (13,278 KB)