Tracking the Fidelity of Internal Neural Representations with Error-In-Variables Regression

Stellen Sie sich vor, Ihr Gehirn ist ein hochmodernes GPS, das ständig berechnet, wo Sie sind, in welche Richtung Sie blicken und wie schnell Sie sich bewegen. Um dies zu tun, verlässt es sich auf ein Team winziger, hart arbeitender Neuronen, die wie Sensoren fungieren und Muster abfeuern, die mit der Außenwelt korrespondieren. Aber hier ist der Haken: Die „Karte“ in Ihrem Gehirn stimmt nicht immer mit der „Karte“ überein, die der Rest der Welt sieht. Manchmal driftet das GPS aufgrund eines schwachen Signals ab, manchmal wird es durch ein dunkles Zimmer verwirrt und manchmal entscheidet es sich einfach dazu, basierend auf einer Ahnung eine Abkürzung zu nehmen. Lange Zeit haben Wissenschaftler versucht herauszufinden, was diese Neuronen genau denken, indem sie die Außenwelt betrachteten (wie etwa das Video-Tracking der Position einer Maus) und davon ausgingen, dass die interne Karte des Gehirns eine perfekte Kopie dieses Videos sei. Aber was wäre, wenn die Karte des Gehirns in Wirklichkeit etwas wackelig ist oder sogar völlig anders aussieht als das, was die Kamera sieht? Wenn wir davon ausgehen, dass die Kamera perfekt ist, könnten wir denken, das Gehirn sei defekt oder verwirrt, während es in Wirklichkeit nur sein eigenes Ding macht.

Hier setzt eine neue Studie an, um dieses Missverständnis zu klären. Die Forscher, die im Bereich der Neurowissenschaften tätig sind, wollten einen besseren Weg finden, um den internen Gedanken des Gehirns zuzuhören, ohne von den verrauschten, unvollkommenen Daten getäuscht zu werden, die wir von außen messen können. Sie entwickelten ein cleveres statistisches Werkzeug, das wie ein Detektiv fungiert und das „wahre“ interne Gefühl eines Neurons von der „verrauschten“ externen Messung trennt. Auf diese Weise können sie sehen, ob ein Neuron tatsächlich seinen Takt verliert oder ob nur unser Maßband verrutscht ist. Dies ist wichtig, denn zu verstehen, wie die interne Karte des Gehirns von der Realität abweicht, hilft uns zu verstehen, wie wir navigieren, wie wir uns Dinge merken und was passiert, wenn unser interner Kompass versagt.

Das neue Werkzeug des Detektivs: Error-in-Variables Regression

Das Paper stellt eine neue Methode namens Error-in-Variables (EIV) Regression vor. Denken Sie an den Versuch, die wahre Stimme eines Sängers zu erraten, während Sie in einem Raum mit schrecklichem Echo und einem wackeligen Mikrofon stehen. Wenn Sie einfach nur den Ton aufnehmen und versuchen, die Tonhöhe des Sängers zu bestimmen, könnten Sie denken, er singe falsch, weil das Echo stört. Aber was wäre, wenn Sie das Echo und das Wackeln des Mikrofons mathematisch „subtrahieren“ könnten, um die tatsächliche Stimme des Sängers zu hören? Genau das macht dieses neue Werkzeug für die Gehirnzellen.

In der Vergangenheit verwendeten Wissenschaftler „konventionelle Tuning-Kurven“. Stellen Sie sich vor, Sie versuchen, eine Karte einer Stadt basierend auf einem verschwommenen, zittrigen Foto zu zeichnen. Wenn das Foto klar ist, sieht Ihre Karte großartig aus. Aber wenn das Foto verschwommen ist (vielleicht weil die Kamera sich bewegt oder das Licht schlecht ist), wird Ihre Karte verschmiert, und Sie könnten denken, die Straßen seien breiter oder die Gebäude stünden an der falschen Stelle. Das Paper zeigt, dass Wissenschaftler bei der Anwendung dieser alten Methoden auf Gehirndaten oft „verschmierte“ Karten sahen und daraus schlossen, dass die Neuronen verwirrt wurden oder an Präzision verloren.

Die neue EIV-Methode sagt: „Warten Sie mal! Vielleicht sind die Neuronen eigentlich scharf und präzise, aber die Messung ist diejenige, die verschwommen ist.“ Sie führt eine verborgene Variable ein – einen „latenten“ internen Zustand –, der repräsentiert, was das Gehirn tatsächlich glaubt, was geschieht. Das Modell ermittelt dann, wie gut die reale Welt (die Videokamera) mit diesem internen Gedanken übereinstimmt. Es verwendet einen speziellen Regler namens $\kappa$ (Kappa), um diese Übereinstimmung zu steuern.

• Wenn $\kappa$ hoch ist, sind die Kamera und das Gehirn perfekt synchron. Das Modell agiert wie eine standardmäßige, überwachte Karte.
• Wenn $\kappa$ niedrig ist, sind die Kamera und das Gehirn völlig asynchron. Das Modell agiert wie ein unüberwachter Detektiv, der die Kamera ignoriert und statnessen nur nach den Mustern des Gehirns sucht, um seine eigene Karte zu finden.
• Die Magie besteht darin, dass das Modell diesen Regler automatisch über eine Technik namens Kreuzvalidierung einstellen kann. Es betrachtet die Daten und fragt: „Welche Einstellung von $\kappa$ ergibt am meisten Sinn?“

Die Theorie mit „falschen Gehirnen“ testen

Bevor sie dem Werkzeug echte Tiere anvertrauten, testeten die Autoren es an synthetischen Daten – einer Computersimulation eines Gehirns. Sie erstellten ein fiktives Szenario mit 30 Neuronen und 1.000 Zeitschritten. Sie legten drei verschiedene Ebenen der „Fidelität“ (wie gut die interne Karte mit der Außenwelt übereinstimmte) fest:

1. Hohe Fidelität ($\kappa = 8,0$): Die interne Karte und die Kamera stimmten fast perfekt überein.
2. Mittlere Fidelität ($\kappa = 3,0$): Es gab etwas Drift und Rauschen.
3. Niedrige Fidelität ($\kappa = 0,5$): Die interne Karte unterschied sich stark von der Kamera.

In diesen Simulationen wurde die „wahre“ Abstimmung der Neuronen (wie sie auf die interne Karte reagierten) exakt gleich gehalten. Aber während das Rauschen in der Kamera zunahm, wurden die alten „konventionellen“ Karten immer flacher und flacher, was den Anschein erweckte, die Neuronen hätten ihre Fähigkeit zur Abstimmung verloren. Das neue EIV-Modell konnte jedoch in allen drei Fällen die scharfen, wahren Tuning-Kurven erfolgreich wiederherstellen. Es identifizierte korrekt, dass sich die Neuronen nicht verändert hatten, sondern nur die Beziehung zwischen dem Gehirn und der Kamera. Das Modell konnte auch den Wert von $\kappa$ korrekt erraten, der verwendet wurde, um die fiktiven Daten zu erstellen, was bewies, dass es die richtige Stufe der Überwachung von selbst finden kann.

Realwelt-Test 1: Die Kopfrichtung der Maus

Die Forscher wandten dieses Werkzeug dann auf echte Daten aus dem anterodorsalen Thalamuskern (ADn) bei Mäusen an, einer Hirnregion, die berühmt dafür ist, wie ein Kompass zu fungieren. Sie zeichneten Mäuse in drei verschiedenen Situationen auf:

1. Licht: Die Maus konnte alles sehen.
2. Dunkelheit: Die Maus war im Dunkeln und verließ sich auf Gedächtnis und andere Sinne.
3. Fest installiert (Head-Fixed): Die Maus war auf einem schwebenden Ball festgeschnallt, sodass sie ihren Kopf nicht bewegen konnte, aber der Raum drehte sich um sie herum. Dies störte ihr Gleichgewichtsempfinden (vestibulärer Input).

In der Lichtsituation stimmten der interne Kompass der Maus und die Kamera gut überein. Das Modell fand ein hohes $\kappa$, was bedeutete, dass das Gehirn die Welt präzise verfolgte.
In der Dunkelheit verschlechterte sich die Übereinstimmung. Das Modell fand ein niedrigeres $\kappa$, was zeigte, dass die interne Orientierung der Maus begann, von dem Punkt abzuweichen, den die Kamera sah.
In der „Head-Fixed“-Bedingung war die Drift enorm. Das Modell fand ein sehr niedriges $\kappa$. Der interne Kompass der Maus drehte sich mit einer anderen Geschwindigkeit als der Raum oder war verwirrt, obwohl die Neuronen selbst immer noch in einem sehr organisierten, ringförmigen Muster feuerten.

Hier liegt die große Entdeckung: Als Wissenschaftler die alten Methoden verwendeten, sahen sie, dass die Tuning-Kurven in der Dunkelheit und in der „Head-Fixed“-Bedingung flacher wurden, und glaubten, die Neuronen würden „verrauscht“ oder „defekt“ werden. Das EIV-Modell zeigte jedoch, dass die Neuronen tatsächlich immer noch scharf und präzise waren. Sie waren immer noch auf die interne Orientierungsrichtung der Maus abgestimmt. Das Problem war nicht die Neuronen, sondern dass die interne Orientierung der Maus von der realen Welt entkoppelt worden war. Das Gehirn erledigte immer noch seine Arbeit, aber die „Karte“, die es verwendete, war nicht mehr mit der „Kamera“ ausgerichtet.

Die Studie untersuchte auch, wie sich diese Diskrepanz über die Zeit veränderte. Sie fanden heraus, dass der Fehler (der Unterschied zwischen der internen Karte und der Kamera) in der „Head-Fixed“-Bedingung nicht einfach zufällig blieb; er begann wie eine Welle zu oszillieren. Manchmal waren Gehirn und Welt nah beieinander, und manchmal trieben sie weit auseinander, was ein rhythmisches Muster aus „Sich-Verlieren“ und „Den-Weg-Finden“ erzeugte.

Realwelt-Test 2: Die Grid-Zellen der Ratte

Als Nächstes testeten sie das Werkzeug an Grid-Zellen (Gitterzellen) von Ratten, das sind Neuronen, die in einem Wabenmuster feuern, während sich das Tier durch den Raum bewegt. Sie zeichneten Ratten in einer kreisförmigen Arena auf, zuerst in der Dunkelheit und dann im Licht mit einem visuellen Hinweis.

Auch hier zeigten die alten Methoden, dass die Positionskarten der Ratten in der Dunkelheit verschwommen und weniger informativ aussah. Aber das EIV-Modell enthüllte, dass die interne Repräsentation der Position der Ratte tatsächlich viel schärfer war, als die verschwommenen Karten vermuten ließen.

• Räumliche Information: Das Modell berechnete, dass die Neuronen mehr Informationen über die interne Position der Ratte trugen als über die gemessene Position, insbesondere in der Dunkelheit.
• Clustering: Wenn sie betrachteten, wo die Spikes auftraten, zeigten die alten Methoden, dass die Spikes in der Dunkelheit verstreut waren. Die EIV-Methode zeigte, dass die Spikes relativ zur internen Karte der Ratte eng gruppiert waren, genau wie im Licht.

Das Modell verglich auch drei Arten von Ansätzen:

1. Vollständig überwacht (Ignorieren der Diskrepanz): Dies zwang die Karte des Gehirns, der Kamera zu entsprechen, was zu einer verschwommenen, verstreuten Karte führte.
2. Vollständig unüberwacht (Ignorieren der Kamera komplett): Dies fand eine klare Karte, aber diese war so stark rotiert oder verschoben, dass sie überhaupt nicht mehr mit der tatsächlichen Bewegung der Ratte übereinstimmte.
3. EIV (Der „Sweet Spot“): Dies fand den perfekten Mittelweg. Es hielt die Karte scharf und konzentriert, aber gleichzeitig ausreichend mit der tatsächlichen Bewegung der Ratte ausgerichtet, um nützlich zu sein.

Den Code der Zukunft entschlüsseln

Schließlich fragte das Team: „Wenn wir dieses neue Werkzeug verwenden, können wir die Position der Ratte besser vorhersagen als zuvor?“ Sie versuchten, die Position der Ratte allein aus der Gehirnaktivität zu dekodieren, ohne auf die Kamera zu schauen.

• Im Licht war die neue Methode nur geringfügig besser als die alte, da die Kamera bereits ein guter Leitfaden war.
• In der Dunkelheit war die neue Methode signifikant besser. Indem das Modell den $\kappa$-Regler an die richtige Stelle drehte, konnte es die Position der Ratte genauer vorhersagen als die alten Methoden, die durch das Rauschen verwirrt wurden.

Sie prüften auch, ob das Modell konsistent war. Wenn sie die Neuronen in zwei Gruppen aufteilten, stimmten beide Gruppen darüber überein, wo sich die Ratte befand? Ja. Das EIV-Modell zeigte, dass selbst in der Dunkelheit die beiden Neuronengruppen dieselbe Geschichte über die interne Position der Ratte erzählten, während die alten Methoden suggerierten, sie seien verwirrt.

Das Fazit

Dieses Paper bietet nicht nur einen neuen mathematischen Trick; es bietet eine neue Denkweise. Es legt nahe, dass wenn unsere Messungen des Gehirns chaotisch oder „verschmiert“ aussehen, dies nicht unbedingt daran liegen muss, dass das Gehirn defekt ist. Es könnte sein, dass die interne Karte des Gehirns von der Außenwelt abgewichen ist und wir versucht haben, sie zur Deckung zu bringen. Durch die Verwendung dieser Error-in-Variables Regression können Wissenschaftler endlich die wahren, scharfen Signale des Gehirns sehen, selbst wenn die Welt um es herum verrauscht, dunkel oder verwirrend ist. Es stellt sich heraus, dass das Gehirn oft präziser ist, als wir ihm zutrauen; es navigiert nur manchmal nach einer anderen Karte, als die, die wir in der Hand halten.