Summary Over 320 million years of evolution, amniotes have developed complex brains and cognition through largely unexplored genetic and gene expression mechanisms. We created a comprehensive single-cell atlas of over 1.3 million cells from the telencephalon and cerebellum of turtles, zebra finches, pigeons, mice, and macaques, employing single-cell resolution spatial transcriptomics to validate gene expression patterns across species. Our study revealed significant species-specific variations in cell types, highlighting their conservation and diversification in evolution. We found pronounced differences in telencephalon excitatory neurons (EX) and cerebellar cell types between birds and mammals. Birds predominantly express SLC17A6 in EX, whereas mammals expressed SLC17A7 in neocortex and SLC17A6 elsewhere, possibly due to loss of SLC17A7 function loss in birds. Additionally, we identified a novel bird-specific Purkinje cell subtype (SVIL+), implicating the LSD11/KDM1A pathway in learning and circadian rhythms, and related numerous positively selected genes in birds, suggesting an evolutionary optimization of cerebellar functions for ecological and behavioral adaptation. Our findings elucidate the complex interplay between genetic evolution and environmental adaptation, underscoring the role of genetic diversification in the development of specialized cell types across amniotes.

Fine-tuning is an important technique in transfer learning that has achieved significant success in tasks that lack training data. However, as it is difficult to extract effective features for single-source domain fine-tuning when the data distribution difference between the source and the target domain is large, we propose a transfer learning framework based on multi-source domain called adaptive multi-source domain collaborative fine-tuning (AMCF) to address this issue. AMCF utilizes multiple source domain models for collaborative fine-tuning, thereby improving the feature extraction capability of model in the target task. Specifically, AMCF employs an adaptive multi-source domain layer selection strategy to customize appropriate layer fine-tuning schemes for the target task among multiple source domain models, aiming to extract more efficient features. Furthermore, a novel multi-source domain collaborative loss function is designed to facilitate the precise extraction of target data features by each source domain model. Simultaneously, it works towards minimizing the output difference among various source domain models, thereby enhancing the adaptability of the source domain model to the target data. In order to validate the effectiveness of AMCF, it is applied to seven public visual classification datasets commonly used in transfer learning, and compared with the most widely used single-source domain fine-tuning methods. Experimental results demonstrate that, in comparison with the existing fine-tuning methods, our method not only enhances the accuracy of feature extraction in the model but also provides precise layer fine-tuning schemes for the target task, thereby significantly improving the fine-tuning performance.