🧠 neurosciences

Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space

Cet article introduit le Switching Shared Latent Dynamics (SSLD), un cadre unifié qui apprend un espace latent partagé interprétable avec une dynamique de commutation non linéaire afin de modéliser simultanément la relation entre l'activité neurale de haute dimension et le comportement tout en isolant la variabilité spécifique à chaque modalité à travers divers ensembles de données expérimentales.

Auteurs originaux : Zhang, Y., Caro, J. O., Oren, R., Higley, M. J., Cardin, J., Churchland, A., Saxena, S.

Publié 2026-10-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhang, Y., Caro, J. O., Oren, R., Higley, M. J., Cardin, J., Churchland, A., Saxena, S.

Article original sous licence CC BY 4.0 (https://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 une machine vaste et bruyante. À n'importe quel moment donné, des milliards de neurones déchargent selon des motifs complexes, créant un signal qui ressemble aux parasites d'une radio. Pourtant, au sein de ce chaos, des groupes spécifiques de cellules travaillent ensemble pour piloter nos mouvements, nos décisions et nos sensations. Pendant des décennies, les scientifiques ont tenté de trouver le fil conducteur caché qui relie ce bruit neural aux actions propres et observables d'un animal. Le défi réside dans le fait que le cerveau ne se contente pas de réagir au comportement ; il génère également ses propres rythmes et fluctuations internes qui n'ont rien à voir avec ce que l'animal est en train de faire. Pour comprendre comment le cerveau contrôle le comportement, les chercheurs doivent d'abord séparer le signal qui importe du bruit qui ne l'est pas. Ils ont besoin d'un moyen de trouver le langage partagé entre le cerveau et le corps, puis de comprendre comment ce langage change lorsque l'animal passe d'un état à un autre, par exemple, du repos à la saisie d'une cible.

Une équipe de chercheurs de l'Université de Yale et de l'UCLA a développé une nouvelle méthode pour résoudre ce problème, appelée Switching Shared Latent Dynamics (Dynamiques Latentes Partagées à Changements de Modes). Imaginez que vous essayez de comprendre une conversation entre deux personnes en écoutant un enregistrement qui contient leurs voix mélangées au bruit d'une rue animée. La nouvelle méthode agit comme un filtre sophistiqué capable d'isoler les voix des deux interlocuteurs du bruit de la rue, tout en suivant l'évolution de leur conversation à mesure que le sujet change. Dans ce cas, les « interlocuteurs » sont l'activité neurale du cerveau et le comportement de l'animal, et le « bruit de la rue » est l'activité cérébrale interne qui n'a rien à voir avec la tâche actuelle. Les chercheurs ont construit un modèle informatique qui apprend à identifier les motifs spécifiques dans le cerveau qui sont directement liés à ce que l'animal fait, tout en ignorant le reste. Crucialement, le modèle reconnaît que ces motifs ne restent pas identiques ; ils basculent entre différents modes, un peu comme une voiture qui change de vitesse, selon que l'animal se prépare à bouger, exécute un mouvement ou se repose.

Les chercheurs ont testé cette approche sur quatre ensembles de données très différents pour voir si elle tiendrait bon dans le monde réel. Ils ont commencé par une simulation informatique où ils connaissaient la réponse exacte, et le modèle a réussi à récupérer les motifs cachés ainsi que les moments où le système changeait de mode. Ils sont ensuite passés à de réelles expériences impliquant des singes. Dans une expérience, des singes atteignaient des cibles dans vingt-sept directions différentes. Le modèle a analysé l'activité électrique de 180 neurones dans le cortex moteur et prémoteur pendant que les singes bougeaient leurs mains. Il a découvert que l'information concernant le mouvement de la main était concentrée dans une partie spécifique de l'activité cérébrale que le modèle avait identifiée comme « partagée » entre le cerveau et le corps. Le reste de l'activité cérébrale, que le modèle a étiqueté comme « privé » aux neurones, contenait des motifs complexes qui ne permettaient pas de prédire le mouvement de la main. Cela a confirmé que le modèle pouvait séparer avec succès les signaux pilotant le comportement du bavardage interne du cerveau.

Dans une seconde expérience sur des singes, les animaux effectuaient une tâche où ils devaient pousser contre une force, un scénario qui implique à la fois un mouvement actif et une résistance passive. Le modèle a de nouveau réussi, identifiant des périodes d'activité distinctes qui correspondaient aux phases de la tâche, comme le moment précédant le mouvement du singe et le moment où il poussait. Les chercheurs ont constaté que la capacité du modèle à repérer ces changements était bien supérieure aux anciennes méthodes qui tentaient de trouver des motifs sans rien connaître du comportement, ou aux méthodes qui traitaient l'activité cérébrale comme un flux unique et immuable. En enseignant explicitement au modèle de chercher ces changements dans la partie partagée de l'activité cérébrale, celui-ci pouvait localiser précisément les moments où la stratégie du cerveau changeait pour s'adapter aux actions de l'animal.

L'équipe ne s'est pas arrêtée aux singes. Elle a appliqué la même méthode à des souris, en utilisant un type d'enregistrement différent qui capture l'activité sur toute la surface supérieure du cerveau. Dans une première série d'expériences, les souris prenaient leurs propres décisions pour accomplir une tâche, et dans une autre, les souris se déplaçaient simplement librement sans but précis. Même dans ces situations plus complexes et moins contrôlées, le modèle a fonctionné. Il a reconstruit l'activité neurale et les mouvements de la souris avec une grande précision. Il a identifié que la partie partagée de l'activité cérébrale contenait l'information sur ce que la souris faisait, tandis que la partie privée contenait le reste de l'activité cérébrale. Lorsque les souris prenaient des décisions, le modèle détectait un changement spécifique dans la dynamique cérébrale qui correspondait au moment où la souris commençait à accumuler des informations avant d'agir.

Les résultats suggèrent que le cerveau ne fonctionne pas dans un état unique et constant. Au contraire, la partie du cerveau qui contrôle le comportement semble basculer entre différents modes de fonctionnement, chacun étant adapté à une phase spécifique d'une tâche. Le nouveau modèle offre une fenêtre claire sur ces changements. Il montre que lorsque les chercheurs tentent de comprendre comment le cerveau contrôle le comportement, ils doivent chercher ces changements discrets dans les signaux partagés, plutôt que de supposer que l'activité cérébrale est un flux fluide et continu. L'étude souligne également qu'ignorer le comportement lors de l'analyse du cerveau entraîne une perte de clarté ; en incluant le comportement dans le processus d'apprentissage, le modèle peut mieux identifier quelles parties du cerveau effectuent réellement le travail de contrôle du corps. Cette approche offre une manière plus interprétable d'étudier le cerveau, passant de simples descriptions de l'activité à une compréhension plus profonde de la manière dont les circuits neuraux se réorganisent pour produire la riche variété de comportements que nous observons dans le monde naturel.

Résumé Technique : Apprentissage de la Dynamique de Commutation Interprétable dans un Espace Latent Partagé Neuro-Comportemental

Énoncé du Problème
Les technologies modernes d'enregistrement en neurosciences permettent désormais la mesure simultanée de l'activité neurale de haute dimension et de variables comportementales riches. Cela crée un double défi : identifier la structure latente partagée qui médie la relation cerveau-comportement et modéliser la structure dynamique sous-jacente à travers laquelle cette structure évolue selon les états comportementaux. Les approches existantes ne traitent généralement qu'une partie de ce problème. Les méthodes d'apprentissage de représentations partagées (par exemple, CEBRA, PSID) identifient des sous-espaces neuraux-comportementaux mais échouent généralement à modéliser la structure dynamique temporelle. Inversement, les modèles dynamiques (par exemple, SLDS, SRNNs) capturent la variation temporelle et les transitions d'états discrets dans l'activité neurale, mais ne parviennent pas à distinguer explicitement la structure neurale-comportementale partagée de la variabilité propre à chaque modalité. Par conséquent, les modèles actuels peinent à isoler les signaux pertinents sur le plan comportemental du bruit neural tout en capturant simultanément la manière dont ces signaux changent à travers des époques comportementales discrètes.

Méthodologie : Dynamique Latente Partagée à Commutation (SSLD - Switching Shared Latent Dynamics)
Les auteurs introduisent la Dynamique Latente Partagée à Commutation (SSLD), un cadre unifié qui apprend une représentation latente partagée entre l'activité neurale et le comportement, dotant cet espace partagé d'une dynamique récurrente de commutation non linéaire. L'architecture du modèle décompose l'information en trois composantes latentes :

Latent Partagé ( $s_t$ ) : Capture l'information commune à l'activité neurale et au comportement. Il évolue selon un réseau de neurones récurrents à commutation (SRNN), où un état de commutation discret ( $z_t$ ) sélectionne l'un des $K$ régimes dynamiques non linéaires distincts. Cette conception est motivée par l'hypothèse que les représentations neurales pertinentes pour le comportement présentent des changements dynamiques structurés à travers les états comportementaux.
Latent Neural Privé ( $h^n_t$ ) : Capture la variabilité neurale non expliquée par le comportement.
Latent Comportemental Privé ( $h^b_t$ ) : Capture la variabilité comportementale non expliquée par l'activité neurale enregistrée.

Inférence et Entraînement :

Encodeurs : Les observations neurales et comportementales sont encodées séparément via des encodeurs basés sur des Transformers en représentations latentes initiales. Celles-ci sont ensuite traitées pour extraire les latents partagés et privés via des réseaux linéaires.
Modèle Génératif : Le latent partagé évolue via le processus SRNN. Les signaux observés neuraux et comportementaux sont reconstruits en concaténant le latent partagé avec leurs latents privés respectifs et en les passant à travers des réseaux décodeurs.
Inférence Variationnelle : Le modèle utilise une inférence variationnelle amortie avec une distribution postérieure factorisée. Crucialement, le réseau d'inférence se conditionne sur les deux modalités pour inférer le latent partagé et les états de commutation, contrairement aux SRNN précédents qui ne se conditionnent que sur les données neurales.
Fonction de Perte : L'objectif combine une Borne Inférieure Variationnelle de l'Évidence (ELBO) avec deux termes de régularisation :
- Supervision Comportementale : Une perte d'entropie croisée ( $L_{switch}$ ) encourage les états de commutation inférés à s'aligner avec les époques comportementales définies expérimentalement durant l'entraînement.
- Désenchevêtrement : Un terme de divergence de Cauchy-Schwarz (CS) ( $L_{DT}$ ) maximise la divergence entre la distribution du latent partagé et les distributions des latents privés, garantissant que les dynamiques pertinentes au comportement sont isolées du bruit spécifique à la modalité.

Résultats Clés
Le SSLD a été évalué sur un ensemble de données simulées et quatre ensembles de données expérimentales diverses couvrant plusieurs espèces (singe, souris), régions cérébrales (moteur, prémoteur, somatosensoriel, cortex dorsal) et modalités d'enregistrement (électrophysiologie, imagerie calcique à champ large) :

Précision de Reconstruction : Le SSLD a reconstruit avec précision l'activité de la population neurale et les trajectoires comportementales sur tous les jeux de données, surpassant les modèles de référence en erreur quadratique moyenne.
Désenchevêtrement : Les analyses de décodage linéaire ont confirmé que l'information comportementale était fortement encodée dans les latents partagés et comportementaux privés, mais était largement absente du latent neural privé. Cela démontre la capacité du modèle à séparer la structure partagée pertinente pour le comportement de la variabilité spécifique à la modalité neurale.
Alignement d'État : Les états discrets inférés au sein de l'espace latent partagé s'alignaient de manière nettement plus significative avec les époques comportementales réelles que les états inférés par les bases non supervisées (k-means, HMM, SLDS) ou les modèles supervisés opérant uniquement sur les données neurales. Dans la tâche de préhension (reaching task), le SSLD a atteint une précision d'alignement d'état de 96 %, comparable aux bases entièrement supervisées, mais sans nécessiter de supervision directe des dynamiques latentes.
Interprétabilité Dynamique : La visualisation des champs de flux et des scores d'attracteurs de type "line-attractor" a révélé que le modèle a appris des régimes dynamiques distincts et dépendants de l'état. Par exemple, dans la tâche de préhension, les dynamiques sont passées d'états préparatoires à des régimes stables d'exécution du mouvement suite au "signal de départ" (go cue).
Études d'Ablation : Le retrait de l'une des trois composantes centrales — apprentissage de représentation partagée, supervision comportementale ou dynamique de commutation — entraînait une dégradation des performances. Plus précisément, les méthodes linéaires (CCA) ne parvenaient pas à généraliser, et le retrait de la supervision comportementale réduisait la capacité du modèle à capturer la structure partagée, tandis que le retrait de la dynamique de commutation diminuait la précision de l'alignement d'état.

Signification et Revendications
L'article affirme que le SSLD offre une approche interprétable pour modéliser les dynamiques partagées neuro-comportementales. En plaçant les dynamiques de commutation spécifiquement au sein du sous-espace latent partagé, le modèle concentre son inférence d'état discret sur la composante de l'activité neurale la plus directement liée au comportement, plutôt que sur une variabilité neurale arbitraire.

Les auteurs positionnent le SSLD comme un motif architectural complémentaire pour le domaine émergent des modèles de fondation en neurosciences. Alors que les modèles de fondation récents se sont concentrés sur le passage à l'échelle à travers les sessions et les sujets, ils ont largement traité les dynamiques comme stationnaires. Le SSLD démontre que l'intégration de la dynamique de commutation dans un espace latent partagé fournit un pont principiel entre l'activité neurale et le comportement, offrant une voie vers des modèles plus interprétables et scalables capables de généraliser à travers divers ensembles de données neurales, régions cérébrales et contextes comportementaux. Le travail suggère que la modélisation conjointe de la structure partagée et de la dynamique de commutation est essentielle pour lier l'activité neurale au comportement, bien que les auteurs notent des limites concernant la dépendance aux priors comportementaux bien définis et l'absence de modélisation explicite des entrées externes.

Articles similaires