Stiefel Manifold Dynamical Systems for Tracking Representational Drift

Cet article présente le Stiefel Manifold Dynamical System (SMDS), un nouveau modèle qui améliore la capture de la dynamique neuronale et quantifie la dérive représentationnelle en contraignant les matrices d'émission à évoluer de manière orthonormée sur la variété de Stiefel, surpassant ainsi les systèmes dynamiques linéaires traditionnels.

L'essentiel

🧠 Le Problème : Le cerveau qui "change de costume"

Imaginez que votre cerveau est un grand orchestre. Chaque musicien (un neurone) joue une note. Ensemble, ils créent une mélodie complexe qui vous permet de bouger, de penser ou de voir.

Les scientifiques utilisent souvent des modèles mathématiques (appelés Systèmes Dynamiques Linéaires ou LDS) pour comprendre cette musique. Ces modèles fonctionnent sur une hypothèse simple : la partition est fixe. Ils supposent que si le chef d'orchestre (l'état caché) donne le même signal, les musiciens joueront exactement la même note, tout le temps, jour après jour.

Mais la réalité est différente.
Le cerveau est vivant et changeant. Même si vous faites exactement le même mouvement (comme attraper une balle), les neurones qui s'activent pour le faire ne jouent pas toujours la même note. Ils changent légèrement leur façon de jouer au fil du temps. C'est ce qu'on appelle la "dérive de la représentation" (representational drift).

C'est comme si, au cours d'un concert, les violonistes changeaient doucement de tonalité ou de style, alors que la mélodie de base reste la même. Les vieux modèles (LDS) ne comprennent pas ça : ils pensent que l'orchestre fait une erreur ou qu'ils n'ont pas assez de musiciens pour jouer la partition. Ils sont perdus.

💡 La Solution : Le "Stiefel Manifold Dynamical System" (SMDS)

Les auteurs de ce papier ont créé un nouvel outil, le SMDS, pour suivre ces changements.

Pour faire simple, imaginez que le SMDS est un choregraphe intelligent.

1. La Danse (La Dynamique) : Le SMDS suppose que la "danse" de base (la logique interne du cerveau, le mouvement du chef d'orchestre) reste stable et inchangée. C'est la même chorégraphie.
2. Le Costume (La Carte d'Émission) : Par contre, le SMDS accepte que les costumes des danseurs changent. Il sait que la façon dont la danse est traduite en mouvement visible (les neurones qui s'activent) peut glisser, tourner et évoluer doucement.

L'analogie du Globe-Trotter :
Imaginez que vous regardez une carte du monde (le cerveau) à travers une fenêtre.

• L'ancien modèle (LDS) pense que la fenêtre est fixe. Si la carte bouge, il pense que la carte elle-même est déformée ou qu'il faut ajouter des détails inutiles pour expliquer le mouvement.
• Le nouveau modèle (SMDS) comprend que la fenêtre elle-même tourne doucement sur son cadre. Il ne cherche pas à réparer la carte ; il tourne simplement la fenêtre pour rester aligné avec elle. Il sait que la carte (la réalité) est stable, mais que notre point de vue (la lecture des neurones) dérive.

🌍 Comment ça marche ? (La Géométrie Magique)

Pour que ce modèle fonctionne, les auteurs utilisent un concept mathématique appelé Variété de Stiefel. Ne vous inquiétez pas du nom compliqué !

Imaginez un ensemble de bâtons rigides (des vecteurs) qui doivent toujours former un angle de 90 degrés entre eux (comme les axes X, Y et Z d'un cube).

• Le SMDS force ces bâtons à rester bien droits et bien espacés (orthogonaux).
• Mais il leur permet de tourner ensemble dans l'espace, comme une girouette qui tourne doucement avec le vent.

En mathématiques, l'ensemble de toutes les façons possibles de placer ces bâtons droits forme une "variété". Le SMDS permet à la carte de neurones de glisser doucement sur cette surface, au lieu de sauter n'importe comment. Cela permet de mesurer exactement de combien la carte a tourné.

🐒 Ce qu'ils ont découvert (Les Résultats)

Les chercheurs ont testé leur modèle sur deux types de données :

1. Des données simulées (un cerveau d'ordinateur qu'ils ont créé eux-mêmes).
2. Des vrais cerveaux : ceux de singes (macaques) qui attrapaient des cibles, et de rats qui léchaient des ports dans une direction précise.

Les résultats sont impressionnants :

• Moins de dimensions nécessaires : L'ancien modèle avait besoin de beaucoup de "variables" (comme ajouter des musiciens fictifs) pour expliquer le bruit. Le SMDS a compris le message avec beaucoup moins de variables. C'est plus économe et plus précis.
• La dérive est lente mais réelle : Ils ont vu que la "carte" des neurones tourne doucement sur plusieurs minutes (pas juste sur des jours).
• Le plus important reste stable : C'est la découverte la plus fascinante. Les axes qui sont les plus importants pour la tâche (par exemple, ceux qui contrôlent la vitesse de la main du singe) dérivent très peu. Ils restent stables.
  • Analogie : Imaginez un navire en mer. Les vagues (le bruit, les détails inutiles) bougent partout et changent tout le temps. Mais la boussole (l'information importante pour la tâche) reste pointée vers le Nord, même si le navire tangue. Le SMDS a réussi à isoler la boussole du mouvement des vagues.

🚀 Pourquoi c'est important ?

Ce papier nous dit que le cerveau est plus flexible qu'on ne le pensait. Il ne se fige pas dans une seule configuration. Il s'adapte constamment, même pendant une tâche simple.

Le SMDS est comme un GPS intelligent pour les neuroscientifiques. Au lieu de se plaindre que la carte change, il ajuste le cap en temps réel. Cela nous aide à mieux comprendre comment le cerveau apprend, comment il se souvient, et pourrait même aider à créer de meilleures interfaces cerveau-machine (comme des prothèses contrôlées par la pensée) qui ne se "cassent" pas quand le cerveau change légèrement d'activité.

En résumé :
Le cerveau est un orchestre qui change de style de temps en temps. Les vieux modèles pensaient que c'était une erreur. Le nouveau modèle (SMDS) dit : "Non, c'est juste que la partition tourne doucement, et les musiciens les plus importants restent toujours sur le bon tempo."

Résumé technique

1. Problématique et Contexte

L'analyse des dynamiques neuronales est essentielle pour comprendre comment le cerveau traite l'information. Les Systèmes Dynamiques Linéaires (LDS) sont couramment utilisés pour modéliser ces données en supposant que l'activité neuronale de haute dimension provient d'un état latent de basse dimension.

Cependant, les LDS présentent une limitation majeure : ils supposent une carte stable (matrice d'émission) entre les états latents et l'activité neuronale observée tout au long d'une tâche. Cette hypothèse échoue à capturer un phénomène biologique bien documenté appelé dérive représentationnelle (representational drift). Ce phénomène se manifeste par des changements graduels dans les représentations neuronales (les corrélations entre les neurones et les variables comportementales/sensorielles) sur des échelles de temps allant de quelques minutes à plusieurs jours, même lorsque le comportement reste constant.

Les méthodes existantes pour traiter la non-stationnarité (comme les modèles à commutation ou les processus gaussiens conditionnels) ne parviennent pas toujours à isoler la dérive de la dynamique sous-jacente ou nécessitent un nombre élevé de dimensions latentes pour compenser cette instabilité.

2. Méthodologie : Le Système Dynamique sur la Variété de Stiefel (SMDS)

Les auteurs proposent une nouvelle classe de modèles probabilistes appelée Stiefel Manifold Dynamical System (SMDS). Ce modèle généralise le LDS en permettant à la carte d'émission de varier de manière lisse au cours des essais, tout en maintenant la dynamique latente partagée.

Concepts Clés et Géométrie

• Contrainte d'Orthonormalité : Dans le SMDS, les matrices d'émission $C^{(k)}$ (pour l'essai $k$) sont contraintes d'être orthonormales ($C^\top C = I$). Cela résout les problèmes d'identifiabilité inhérents aux LDS standards.
• Variété de Stiefel : Les matrices d'émission évoluent sur la variété de Stiefel $Stiefel(N, D)$, qui est l'espace de toutes les matrices orthonormales de taille $N \times D$.
• Paramétrisation du Déplacement : L'évolution de la matrice d'émission au fil des essais est modélisée par une variable latente de "déplacement" $z^{(k)}$. Ce déplacement est paramétré par une matrice antisymétrique $B^{(k)}$ construite à partir de $z^{(k)}$.
• Transformation de Cayley : Pour garantir que la matrice d'émission reste sur la variété de Stiefel, les auteurs utilisent la transformation de Cayley (une alternative plus efficace numériquement à l'exponentielle matricielle) pour mapper le déplacement antisymétrique vers une matrice orthogonale :
  $$C^{(k)} = U_{base} \cdot f_{Cay}(B^{(k)}) \cdot O_{readout}$$
  où $U_{base}$ est un sous-espace fixe initial et $O_{readout}$ est une matrice de lecture.
• Dynamique de la Dérive : La variable de déplacement $z^{(k)}$ suit une marche aléatoire gaussienne, permettant à chaque dimension du sous-espace de dériver à un taux différent ($\tau^2_z$).

Inférence

Pour estimer les paramètres du modèle (dynamique latente, bruit, et trajectoires de dérive), les auteurs développent un algorithme Variational Expectation-Maximization (VEM) :

1. E-step (Approximation) : Utilisation d'un Filtre de Kalman Étendu (EKF) et d'un Lisseur de Kalman Étendu (EKS) pour approximer la distribution postérieure des états latents et des déplacements.
2. M-step : Mise à jour des paramètres du modèle (matrices de dynamique, variances) en utilisant les statistiques postérieures estimées.

3. Contributions Principales

1. Nouveau Modèle (SMDS) : Introduction d'un cadre probabiliste rigoureux qui sépare la dynamique latente stable de l'évolution de l'espace d'observation, en exploitant la géométrie des variétés de Riemann (Stiefel et Grassmann).
2. Identifiabilité et Interprétabilité : La contrainte d'orthonormalité permet d'identifier un sous-espace unique et de quantifier la dérive via la distance de Grassmann (mesure de la distance géodésique entre deux sous-espaces).
3. Algorithme d'Inférence Efficace : Développement d'une procédure d'inférence variationnelle combinant lissage de Kalman et optimisation sur les variétés, capable de gérer des données de grande dimension.
4. Validation sur Données Réelles et Simulées : Démonstration que le SMDS surpasse les LDS et les modèles linéaires conditionnels (CLDS) sur des données simulées et des enregistrements neuronaux réels (macaques et rongeurs).

4. Résultats

Données Simulées

• Sur des données générées avec une dérive connue, le SMDS a réussi à récupérer la dimensionnalité latente réelle et la dynamique sous-jacente, là où le LDS standard échouait (nécessitant des dimensions latentes plus élevées pour compenser la dérive et présentant un log-vraisemblance plus faible).
• Le SMDS a correctement récupéré les taux de dérive par dimension.

Données Réelles : Macaque (Tâche de reach center-out)

• Données : Enregistrements multi-unités du cortex moteur primaire (M1) sur 750 essais (~24 minutes).
• Performance : Le SMDS a obtenu un log-vraisemblance sur données de test supérieur à celui du LDS et du CLDS, avec moins de dimensions latentes nécessaires.
• Observations sur la dérive :
  • Une dérive graduelle a été observée sur la durée de la session (distance de Grassmann augmentant progressivement).
  • Hétérogénéité de la dérive : Les dimensions latentes expliquant une grande variance neuronale et comportementale (liées à la tâche) ont montré moins de dérive. À l'inverse, les dimensions moins informatives ont dérivé davantage (jusqu'à 50° en 24 minutes). Cela suggère que le cerveau maintient la stabilité des représentations pertinentes pour la tâche.

Données Réelles : Rongeur (Tâche de léchage directionnel)

• Données : Imagerie calcique à deux photons du cortex moteur latéral antérieur (ALM) sur 155 essais (~31 minutes).
• Résultats : Constats similaires à ceux du macaque. Le SMDS a mieux modélisé les données et révélé que les dimensions codant pour la condition de la tâche (gauche/droite) étaient plus stables que les autres.

5. Signification et Implications

• Compréhension de la Plasticité : Le SMDS fournit un outil puissant pour quantifier la dérive représentationnelle à des échelles de temps courtes (minutes), au-delà des études traditionnelles sur plusieurs jours.
• Stabilité Fonctionnelle : Les résultats soutiennent l'hypothèse selon laquelle le cerveau préserve la stabilité des représentations neuronales critiques pour le comportement, même si l'activité des neurones individuels change. La dérive semble être un mécanisme qui affecte préférentiellement les dimensions "bruit" ou moins pertinentes.
• Applications Futures : Ce cadre ouvre la voie à de nouvelles investigations sur les causes de la dérive (apprentissage continu, fatigue, bruit synaptique) et pourrait être étendu pour modéliser des transitions abruptes ou coupler directement la dynamique neuronale et comportementale.

En résumé, l'article propose une avancée méthodologique significative en combinant l'apprentissage automatique probabiliste et la géométrie différentielle pour mieux modéliser la nature non stationnaire mais structurée de l'activité neuronale.