语言作为界面：基础模型对比学习将转录组和电生理学联系起来

整合转录组和电生理学数据对于构建神经科学多模态基础模型至关重要。 Patch-seq 提供来自同一神经元的基因表达和内在电生理学的配对测量，为训练跨模态模型奠定了基础。在这里，我们介绍 LangPatch，一个基于基础模型的对比学习框架，它使用配对的 Patch-seq 数据通过基于语言的界面将预训练的 GenePT 表示与电生理表型对齐。基因描述和语言电生理图谱由同一冻结文本编码器嵌入。上下文适配器和投影模块通过配对对比学习将模式连接起来。在小鼠视觉、小鼠运动和人类皮质队列中，LangPatch 在评估的基础模型和表征学习方法中实现了最高的平均转录组与电生理学预测相关性。它还改善了两个小鼠队列中保留的跨模式对齐（JAMIE 的 FOSCTTM 0.107/0.135 与 0.208/0.222，JAMIE 是一种现有的跨模式 Patch-seq 插补方法）。它通过电生理学预测转录组家族、类型、皮质层和标记基因表达，在大多数终点上都超过了其他基线。更重要的是，该方法可以跨大脑区域和物种转移：在小鼠视觉皮层上训练的模型预测运动皮层中的电生理学相关性保留率约为 70%，而人类皮层中的相关性保留率为 47%（急性切片记录中为 58%）。总之，这些结果证明了神经元的分子和功能表征之间的一致性，为神经科学中的多模态基础模型提供了构建块。