Die Autoren haben ein neuronales Netzwerk entwickelt, um Signaturen der Transkriptionsaktivierung zu quantifizieren, indem sie einen Autoencoder trainiert haben, um die Expression von 22 koexprimierten aktivitätsabhängigen Genen aus einem 1-dimensionalen latenten Raum zu rekonstruieren. Das Modell wurde unter Verwendung öffentlich verfügbarer Datensätze, einschließlich Einzelzell-Datensätzen des Allen Institute of Brain Science, trainiert, validiert und getestet. Durch die Identifizierung von aktivitätsabhängigen Genen und die Durchführung einer Hauptkomponentenanalyse wurden 22 Genen als Zielgene für den Autoencoder ausgewählt. Die Zellen wurden in trainierende und testende Datensätze aufgeteilt, und das Netzwerk wurde trainiert, um die Expression dieser Zielgene vorherzusagen. Das Modell wurde anschließend auf einen vielfältigen Testsatz von Neuronen angewendet, um die Leistung zu bewerten.
Die wichtigsten Gene, die die Modellvorhersagen beeinflussen, wurden identifiziert und ihre Funktionen wurden analysiert. Es wurde festgestellt, dass Gene wie Fos, Egr1, und Junb besonders einflussreich waren und mit verschiedenen biologischen Mechanismen zusammenhängen. Durch die Untersuchung dieser Gene und ihrer biologischen Funktionen konnten wichtige Erkenntnisse über die transkriptionelle Reaktion auf neuronale Aktivität gewonnen werden. Außerdem wurden Gene identifiziert, die spezifisch in den Zielregionen des Gehirns aktiviert wurden.
Das Modell wurde auch auf verschiedene Art von Daten angewendet, wie z.B. Elektrophysiologiedaten von individuellen Neuronen, die direkter elektrischer Stimulation ausgesetzt waren, sowie auf Daten von Nagetierzellen, die mit pharmakologischen Stimulanzien behandelt wurden. Das Modell konnte auch zeitliche Muster der Aktivität von Neuronen vorhersagen, die unterschiedlichen Behandlungen ausgesetzt waren. Des Weiteren wurde gezeigt, dass das Modell in der Lage ist, neuronale Aktivierung auf verschiedenen Ebenen, wie z.B. sensorische Erfahrungen, zu erkennen und zu klassifizieren.
In einer weiteren Anwendung wurden räumliche Signaturen des Lernens im Gehirn von Mäusen nach einer räumlichen Objekterkennung analysiert. Durch die Anwendung des Modells konnten spezifische Gehirnregionen identifiziert werden, die durch das Lernen aktiviert wurden. Zusätzlich wurden Validierungsexperimente durchgeführt, um die Genauigkeit der Vorhersagen zu überprüfen.
Abschließend wurde gezeigt, dass das NEUROeSTIMator-Modell im Vergleich zu anderen Methoden überlegen ist, um experimentelle Stimulationen zu unterscheiden. Das Modell nutzt Komplexitäten in den regulatorischen Netzwerken und Transkriptionsantworten, um eine robuste Schätzung der neuronalen Aktivität zu liefern. Durch den Einsatz des Modells konnten wichtige Einblicke in die Transkriptionsantworten von Neuronen auf verschiedene Stimuli gewonnen werden.