QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex
L'article présente QuantFormer, un nouveau modèle basé sur les transformeurs qui reformule la prédiction de l'activité neuronale en un problème de classification grâce à une quantification dynamique du signal et à des jetons spécifiques aux neurones, atteignant des performances de pointe dans la prédiction de la dynamique du cortex visuel de la souris à partir de données d'imagerie calcique à deux photons.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le cerveau est un vaste réseau bourdonnant de milliards de cellules, chacune s'activant selon un rythme complexe pour créer la pensée, le mouvement et la sensation. Pour comprendre comment cette machinerie fonctionne, les scientifiques observent souvent ces cellules en action, utilisant des microscopes spéciaux pour voir quand elles s'illuminent de signaux chimiques. Cette activité n'est pas constante ; elle survient par éclats soudains et épars, comme une ville où la plupart des lumières sont éteintes, mais où des fenêtres spécifiques s'allument à des moments précis lorsque quelque chose d'intéressant se produit. Pendant des décennies, les chercheurs ont tenté de construire des modèles informatiques capables de prédire ces éclats, espérant un jour anticiper ce que le cerveau fera ensuite. C'est une tâche difficile car les signaux sont désordonnés, les motifs sont fugaces et le nombre impressionnant de cellules impliquées rend les données accablantes. Si les scientifiques pouvaient prévoir de manière fiable ces étincelles neurales, ils pourraient concevoir des expériences qui s'ajustent en temps réel, aidant peut-être à restaurer les fonctions ou à approfondir notre compréhension du comportement.
Une équipe de chercheurs a maintenant introduit une nouvelle approche à ce problème, créant un système appelé QuantFormer. Au lieu d'essayer de prédire la luminosité exacte d'un signal à chaque instant, ce qui revient à essayer de deviner la température précise d'une pièce chaque seconde, l'équipe a décidé de traiter le problème différemment. Ils ont réalisé que, parce que l'activité neurale est si éparse, il est souvent plus utile de réfléchir à savoir si une cellule est active ou non, plutôt que d'essayer de mesurer le degré exact de son éclat. Pour ce faire, ils ont construit un modèle informatique qui apprend à traduire le flux continu et fluide des données neurales en un ensemble d'étapes distinctes et discrètes. Imaginez que vous preniez une rivière fluide et continue et que vous la marquiez par une série de pierres de passage ; le modèle apprend à sauter d'une pierre à l'autre, transformant ainsi la prédiction d'un signal fluide en un jeu consistant à choisir la bonne pierre. Ce changement permet à l'ordinateur de se concentrer sur les moments les plus importants — les véritables éclats d'activité — plutôt que de se perdre dans le bruit de fond silencieux.
Les chercheurs ont entraîné ce modèle à l'aide d'une vaste collection de données provenant du cortex visuel de souris, une région du cerveau qui traite ce que l'animal voit. Ils ont présenté aux souris diverses images, allant de rayures en mouvement à des scènes naturelles, et ont enregistré la façon dont des milliers de neurones individuels répondaient. Le modèle a d'abord appris à combler les parties manquantes de ces enregistrements, un processus qui l'a forcé à apprendre les règles sous-jacentes de la manière dont les neurones se comportent au fil du temps. Crucialement, le système a été conçu pour gérer n'importe quel nombre de neurones à la fois. En donnant à chaque neurone un badge d'identification numérique unique, le modèle pouvait apprendre les habitudes spécifiques de chaque cellule du groupe, quel que soit le nombre de cellules observées. Cette flexibilité est une étape significative, car les méthodes précédentes avaient souvent du mal lorsque le nombre de cellules changeait ou lorsqu'il s'agissait d'analyser de nombreuses cellules simultanément.
Lors des tests, le nouveau modèle s'est révélé remarquablement efficace pour prédire la réaction des neurones aux stimuli visuels. Il a surpassé les méthodes existantes pour capturer le timing et la forme des réponses neurales, particulièrement les éclats d'activité brusques et soudains qui définissent la manière dont le cerveau traite l'information. Le modèle a été capable de prévoir ces motifs avec un niveau de précision qui suggère qu'il a appris la véritable dynamique du circuit neural, plutôt que de simplement mémoriser des comportements moyens. Les chercheurs ont également constaté que le modèle pouvait bien se généraliser, ce qui signifie qu'il fonctionnait efficacement sur différentes souris et avec différents types d'images, même celles qu'il n'avait pas vues lors de son entraînement initial. Cela suggère que le système a appris un langage fondamental de l'activité neurale qui s'applique à différents individus et situations.
Cependant, les auteurs veillent à préciser ce que leur modèle fait et ne fait pas. Bien qu'il excelle à prédire l'éclat chimique des neurones, il ne prédit pas directement les impulsions électriques qui provoquent cet éclat. La relation entre les deux est complexe, et le modèle est actuellement mieux compris comme un outil de prévision des signaux de fluorescence visibles plutôt que des événements électriques sous-jacents. Malgré cette limitation, ce travail représente un bond significatif vers la création d'un outil fondamental pour la neuroscience. En reformulant avec succès un problème de prédiction difficile en une tâche de classification plus gérable, les chercheurs ont ouvert la voie à de futurs systèmes qui pourraient un jour aider les scientifiques à interagir avec le cerveau en temps réel, ouvrant de nouvelles portes pour comprendre comment l'esprit fonctionne et comment il pourrait être aidé lorsqu'il dysfonctionne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.