QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex
Il documento presenta QuantFormer, un nuovo modello basato su transformer che inquadra la previsione dell'attività neurale come un problema di classificazione attraverso la quantizzazione dinamica del segnale e token specifici per i neuroni, raggiungendo prestazioni allo stato dell'arte nella previsione della dinamica della corteccia visiva del topo a partire da dati di imaging del calcio a due fotoni.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il cervello è una vasta e ronzante rete di miliardi di cellule, ognuna delle quali scocca in un ritmo complesso per creare pensiero, movimento e sensazione. Per capire come funziona questo macchinario, gli scienziati osservano spesso queste cellule in azione, utilizzando microscopi speciali per vedere quando si illuminano con segnali chimici. Questa attività non è costante; avviene in brevi e sporadici scatti, come una città dove la maggior parte delle luci è spenta, ma finestre specifiche si accendono in momenti precisi quando accade qualcosa di interessante. Per decenni, i ricercatori hanno cercato di costruire modelli informatici che possano prevedere questi lampi, sperando di poter un giorno anticipare ciò che un cervello farà dopo. Questo è un compito difficile perché i segnali sono disordinati, i modelli sono fugaci e l'enorme numero di cellule coinvolte rende i dati travolgenti. Se gli scienziati potessero prevedere in modo affidabile queste scintille neurali, potrebbero progettare esperimenti che si adattano in tempo reale, aiutando forse a ripristinare le funzioni o ad approfondire la nostra comprenszione del comportamento.
Un team di ricercatori ha ora introdotto un nuovo approccio a questo problema, creando un sistema chiamato QuantFormer. Invece di cercare di prevedere la luminosità esatta di un segnale in ogni singolo momento, il che è come cercare di indovinare la temperatura precisa di una stanza ogni secondo, il team ha deciso di affrontare il problema in modo diverso. Si sono resi conto che, poiché l'attività neurale è così sparsa, è spesso più utile pensare se una cellula sia attiva o meno, piuttosto che cercare di misurare il grado esatto del suo bagliore. Per farlo, hanno costruito un modello informatico che impara a tradurre il flusso continuo e fluido di dati neurali in un insieme di passi distinti e discreti. Immaginate di prendere un fiume liscio e fluido e di segnarlo con una serie di pietre di passaggio; il modello impara a saltare da una pietra all'altra, trasformando efficacemente la previsione di un segnale fluido in un gioco di scelta della pietra giusta. Questo cambiamento permette al computer di concentrarsi sui momenti più importanti — i veri lampi di attività — invece di perdersi nel rumore di fondo silenzioso.
I ricercatori hanno addestrato questo modello utilizzando una vasta collezione di dati dalla corteccia visiva dei topi, una regione del cervello che elabora ciò che l'animale vede. Hanno mostrato ai topi varie immagini, dalle strisce in movimento a scene naturali, e hanno registrato come migliaia di singoli neuroni rispondessero. Il modello è stato prima istruito a colmare le parti mancanti di queste registrazioni, un processo che lo ha costretto a imparare le regole sottostanti di come i neuroni si comportano nel tempo. Fondamentalmente, il sistema è stato progettato per gestire qualsiasi numero di neuroni contemporaneamente. Assegnando a ogni neurone un codice identificativo digitale unico, il modello poteva apprendere le abitudini specifiche di ogni singola cellula del gruppo, indipendentemente da quante ne venissero osservate. Questa flessibilità è un passo avanti significativo, poiché i metodi precedenti spesso faticavano quando il numero di cellule cambiava o quando si cercava di analizzare molti neuroni simultaneamente.
Quando testato, il nuovo modello si è dimostrato straordinariamente efficace nel prevedere come i neuroni reagirebbero agli stimoli visivi. Ha superato i metodi esistenti nel catturare la tempistica e la forma delle risposte neurali, in particolare i lampi improvvisi e netti di attività che definiscono il modo in cui il cervello elabora le informazioni. Il modello è stato in grado di prevedere questi pattern con un livello di accuratezza che suggerisce che abbia appreso la vera dinamica del circuito neurale, piuttosto che limitarsi a memorizzare comportamenti medi. I ricercatori hanno anche scoperto che il modello può generalizzare bene, il che significa che funziona efficacemente su diversi topi e con diversi tipi di immagini, anche quelle che non aveva visto durante l'addestramento iniziale. Ciò suggerisce che il sistema abbia appreso un linguaggio fondamentale dell'attività neurale che si applica a diversi individui e situazioni.
Tuttavia, gli autori sono cauti nel precisare cosa il loro modello faccia e non faccia. Sebbene eccella nel prevedere il bagliore chimico dei neuroni, non prevede direttamente gli impulsi elettrici che causano quel bagliore. La relazione tra i due è complessa, e il modello è attualmente meglio compreso come uno strumento per prevedere i segnali di fluorescenza visibili piuttosto che gli eventi elettrici sottostanti. Nonostante questa limitazione, il lavoro rappresenta un salto significativo verso la creazione di uno strumento fondamentale per le neuroscienze. Riformulando con successo un difficile problema di previsione in un compito di classificazione più gestibile, i ricercatori hanno aperto la strada a futuri sistemi che potrebbero un giorno aiutare gli scienziati a interagire con il cervello in tempo reale, aprendo nuove porte per comprendere come funziona la mente e come possa essere aiutata quando qualcosa va storto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.