Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
Dieses Paper führt Switching Shared Latent Dynamics (SSLD) ein, ein einheitliches Framework, das einen interpretierbaren gemeinsamen latenten Raum mit nichtlinearen Switching-Dynamiken erlernt, um gleichzeitig die Beziehung zwischen hochdimensionaler neuronaler Aktivität und Verhalten zu modellieren und modalitätsspezifische Variabilität über diverse experimentelle Datensätze hinweg zu isolieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das Gehirn ist eine riesige, verrauschte Maschine. In jedem Augenblick feuern Milliarden von Neuronen in komplexen Mustern, was ein Signal erzeugt, das wie das Rauschen eines Radios aussieht. Doch inmitten dieses Chaos arbeiten spezifische Zellgruppen zusammen, um unsere Bewegungen, Entscheidungen und Empfindungen zu steuern. Jahrzehntelang haben Wissenschaftler versucht, den verborgenen Faden zu finden, der dieses neuronale Rauschen mit den sauberen, beobachtbaren Handlungen eines Tieres verbindet. Die Herausforderung besteht darin, dass das Gehirn nicht nur auf Verhalten reagiert, sondern auch seine eigenen internen Rhythmen und Fluktuationen erzeugt, die nichts damit zu tun haben, was das Tier gerade tut. Um zu verstehen, wie das Gehirn das Verhalten steuert, müssen Forscher zuerst das Signal, das zählt, von dem Rauschen trennen, das nicht zählt. Sie benötigen eine Möglichkeit, die gemeinsame Sprache zwischen dem Gehirn und dem Körper zu finden, und dann zu verstehen, wie sich diese Sprache verändert, wenn das Tier von einem Zustand in den nächsten wechselt, etwa vom Ruhen zum Greifen nach einem Ziel.
Ein Team von Forschern der Yale University und der UCLA hat eine neue Methode entwickelt, um dieses Problem zu lösen, die „Switching Shared Latent Dynamics“ genannt wird. Stellen Sie sich vor, Sie versuchen, ein Gespräch zwischen zwei Personen zu verstehen, indem Sie eine Aufnahme hören, die mit den Geräuschen einer belebten Straße vermischt ist. Die neue Methode wirkt wie ein ausgeklügelter Filter, der die Stimmen der beiden Sprecher vom Straßenlärm isolieren kann, während er gleichzeitig verfolgt, wie sich ihr Gespräch verändert, wenn sich das Thema ändert. In diesem Fall sind die „Sprecher“ die neuronale Aktivität des Gehirns und das Verhalten des Tieres, und das „Straßenrauschen“ ist die interne Gehirnaktivität, die nichts mit der aktuellen Aufgabe zu tun hat. Die Forscher entwickelten ein Computermodell, das lernt, die spezifischen Muster im Gehirn zu identifizieren, die direkt mit dem verknüpft sind, was das Tier tut, während es den Rest ignoriert. Entscheidend ist, dass das Modell erkennt, dass diese Muster nicht gleich bleiben; sie wechseln zwischen verschiedenen Modi, ähnlich wie ein Auto, das die Gänge wechselt, je nachdem, ob das Tier sich auf eine Bewegung vorbereitet, eine Bewegung ausführt oder ruht.
Die Forscher testeten diesen Ansatz an vier sehr unterschiedlichen Datensätzen, um zu sehen, ob er in der realen Welt Bestand hat. Sie begannen mit einer Computersimulation, bei der sie die exakte Antwort kannten, und das Modell konnte die verborgenen Muster und die Momente, in denen das System die Modi wechselte, erfolgreich rekonstruieren. Danach gingen sie zu echten Experimenten mit Affen über. In einem Experiment griffen Affen nach Zielen in siebenundzwanzig verschiedenen Richtungen. Das Modell analysierte die elektrische Aktivität von 180 Neuronen im motorischen und prämotorischen Kortex, während die Affen ihre Hände bewegten. Es fand heraus, dass die Information über die Handbewegung in einem spezifischen Teil der Gehirnaktivität konzentriert war, den das Modell als „gemeinsam“ (shared) zwischen dem Gehen und dem Körper identifiziert hatte. Der Rest der Gehirnaktivität, den das Modell als dem Neuron „privat“ (private) zugeordnet hatte, enthielt komplexe Muster, die die Handbewegung nicht vorhersagten. Dies bestätigte, dass das Modell erfolgreich in der Lage war, die das Verhalten steuernden Signale vom internen Geplapper des Gehirns zu trennen.
In einem zweiten Affenexperiment führten die Tiere eine Aufgabe aus, bei der sie gegen eine Kraft drücken mussten, ein Szenario, das sowohl aktive Bewegung als auch passiven Widerstand beinhaltet. Auch das Modell war erfolgreich und identifizierte distinkte Phasen der Aktivität, die mit den Phasen der Aufgabe übereinstimmten, wie etwa dem Moment vor der Bewegung des Affen und dem Moment, in dem er drückte. Die Forscher fanden heraus, dass die Fähigkeit des Modells, diese Wechsel zu erkennen, weitaus überlegen war gegenüber älteren Methoden, die versuchten, Muster zu finden, ohne etwas über das Verhalten zu wissen, oder Methoden, die die Gehirnaktivität als einen einzigen, unveränderlichen Strom behandelten. Indem sie das Modell explizit darauf trainierten, nach diesen Wechseln im gemeinsamen Teil der Gehirnaktivität zu suchen, konnte es die exakten Momente bestimmen, in denen die Strategie des Gehirns wechselte, um sich an die Handlungen des Tieres anzupassen.
Das Team hielt nicht bei Affen an. Sie wandten dieselbe Methode auf Mäuse an, unter Verwendung einer anderen Art der Aufzeichnung, die die Aktivität über die gesamte Oberfläche des Gehirns erfasst. In einem Satz von Experimenten trafen die Mäuse eigene Entscheidungen, um eine Aufgabe auszuführen, und in einem anderen bewegten sich die Mäuse einfach frei umher, ohne ein spezifisches Ziel. Selbst in diesen komplexeren und weniger kontrollierten Situationen funktionierte das Modell. Es rekonstruierte die neuronale Aktivität und die Bewegungen der Maus mit hoher Genauigkeit. Es identifizierte, dass der gemeinsame Teil der Gehirnaktivität die Information darüber enthielt, was die Maus tat, während der private Teil den Rest der Gehirnaktivität festhielt. Wenn die Mäuse Entscheidungen trafen, detektierte das Modell einen spezifischen Wechsel in der Dynamik des Gehirns, der dem Moment entsprach, in dem die Maus begann, Informationen zu sammeln, bevor sie handelte.
Die Ergebnisse legen nahe, dass das Gehirn nicht in einem einzigen, konstanten Zustand operiert. Stattdessen scheint der Teil des Gehirns, der das Verhalten steuert, zwischen verschiedenen Betriebsmodi zu springen, die jeweils für eine bestimmte Phase einer Aufgabe geeignet sind. Das neue Modell bietet ein klares Fenster in diese Wechsel. Es zeigt, dass Forscher, wenn sie versuchen zu verstehen, wie das Gehirn das Verhalten steuert, nach diesen diskreten Änderungen in den gemeinsamen Signalen suchen müssen, anstatt davon auszugehen, dass die Gehirnaktivität ein glatter, kontinuierlicher Fluss ist. Die Studie hebt auch hervor, dass das Ignorieren des Verhaltens bei der Analyse des Gehirns zu einem Verlust an Klarheit führt; indem das Verhalten in den Lernprozess einbezogen wird, kann das Modell besser identifizieren, welche Teile des Gehirns tatsächlich die Arbeit der Körpersteuerung leisten. Dieser Ansatz bietet einen interpretierbareren Weg zur Untersuchung des Gehirns und geht über einfache Beschreibungen von Aktivität hinaus zu einem tieferen Verständnis davon, wie sich neuronale Schaltkreise reorganisieren, um die reiche Vielfalt der Verhaltensweisen zu erzeugen, die wir in der natürlichen Welt beobachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.