Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
Questo articolo introduce lo Switching Shared Latent Dynamics (SSLD), un framework unificato che apprende uno spazio latente condiviso interpretabile con dinamiche di commutazione non lineari per modellare simultaneamente la relazione tra l'attività neurale ad alta dimensionalità e il comportamento, isolando al contempo la variabilità specifica della modalità attraverso diversi dataset sperimentali.
Articolo originale sotto licenza CC BY 4.0 (https://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 macchina vasta e rumorosa. In ogni istante, miliardi di neuroni si attivano in schemi complessi, creando un segnale che assomiglia al fruscio di una radio. Eppure, in mezzo a quel caos, gruppi specifici di cellule lavorano insieme per guidare i nostri movimenti, le nostre decisioni e le nostre sensazioni. Per decenni, gli scienziati hanno cercato di trovare il filo invisibile che connette questo rumore neurale alle azioni pulite e osservabili di un animale. La sfida è che il cervello non si limita a reagire al comportamento; esso genera anche i propri ritmi e fluttuazioni interne che non hanno nulla a che fare con ciò che l'animale sta facendo in quel momento. Per capire come il cervello controlli il comportamento, i ricercatori devono prima separare il segnale che conta dal rumore che non conta. Devono trovare un modo per individuare il linguaggio condiviso tra il cervello e il corpo, e poi capire come quel linguaggio cambi quando l'animale passa da uno stato all'altro, ad esempio dal riposo al protendersi verso un obiettivo.
Un team di ricercatori dell'Università di Yale e dell'UCLA ha sviluppato un nuovo metodo per risolvere questo problema, chiamato Switching Shared Latent Dynamics. Immaginate di cercare di comprendere una conversazione tra due persone ascoltando una registrazione che contiene le loro voci mescolate al rumore di una strada trafficata. Il nuovo metodo agisce come un filtro sofisticato capace di isolare le voci dei due interlocutori dal rumore della strada, tracciando al contempo come la loro conversazione cambi al variare dell'argomento. In questo caso, i "parlanti" sono l'attività neurale del cervello e il comportamento dell'animale, e il "rumore della strada" è l'attività cerebrale interna che non ha nulla a che vedere con l'attività attuale. I ricercatori hanno costruito un modello computazionale che impara a identificare gli schemi specifici nel cervello che sono direttamente collegati a ciò che l'animale sta facendo, ignorando il resto. Fondamentalmente, il modello riconosce che questi schemi non rimangono invariati; essi passano tra diverse modalità, proprio come un'auto che cambia marcia, a seconda che l'animale si stia preparando a muoversi, stia eseguendo un movimento o sia a riposo.
I ricercatori hanno testato questo approccio su quattro set di dati molto diversi per vedere se fosse applicabile nel mondo reale. Sono partiti da una simulazione al computer dove conoscevano la risposta esatta, e il modello ha recuperato con successo i pattern nascosti e i momenti in cui il sistema cambiava modalità. Sono poi passati a esperimenti reali che coinvolgevano scimmie. In un esperimento, le scimmie raggiungevano obiettivi in ventisette direzioni diverse. Il modello ha analizzato l'attività elettrica di 180 neuroni nelle cortecce motoria e premotoria mentre le scimmie muovevano le mani. Ha scoperto che l'informazione sul movimento della mano era concentrata in una parte specifica dell'attività cerebrale che il modello aveva identificato come "condivisa" tra il cervello e il corpo. Il resto dell'attività cerebrale, che il modello ha etichettato come "privata" dei neuroni, conteneva schemi complessi che non predicevano il movimento della mano. Ciò ha confermato che il modello poteva separare con successo i segnali che guidano il comportamento dal chiacchiericcio interno del cervello.
In un secondo esperimento con scimmie, gli animali eseguivano un compito in cui dovevano spingere contro una forza, uno scenario che coinvolge sia il movimento attivo che la resistenza passiva. Il modello ha avuto successo anche in questo caso, identificando periodi distinti di attività che corrispondevano alle fasi del compito, come il momento precedente al movimento della scimmia e il momento in cui stava spingendo. I ricercatori hanno scoperto che la capacità del modello di individuare questi passaggi era di gran lunga superiore ai metodi precedenti che cercavano di trovare schemi senza conoscere il comportamento, o ai metodi che trattavano l'attività cerebrale come un flusso unico e immutabile. Insegnando esplicitamente al modello di cercare questi passaggi nella parte condivisa dell'attività cerebrale, è stato in grado di individuare l'istante esatto in cui la strategia del cervello cambiava per adattarsi alle azioni dell'animale.
Il team non si è fermato con le scimmie. Ha applicato lo stesso metodo ai topi, utilizzando un tipo diverso di registrazione che cattura l'attività su tutta la superficie superiore del cervello. In un set di esperimenti, i topi prendevano decisioni autonome per eseguire un compito, e in un altro, i topi si muovevano semplicemente liberamente senza un obiettivo specifico. Anche in queste situazioni più complesse e meno controllate, il modello ha funzionato. Ha ricostruito l'attività neurale e i movimenti del topo con alta precisione. Ha identificato che la parte condivisa dell'attività cerebrale conteneva l'informazione su ciò che il topo stava facendo, mentre la parte privata conteneva il resto dell'attività cerebrale. Quando i topi prendevano decisioni, il modello rilevava un cambiamento specifico nella dinamica cerebrale che corrispondeva al momento in cui il topo iniziava ad accumulare informazioni prima di agire.
I risultati suggeriscono che il cervello non opera in un singolo stato stazionario. Al contrario, la parte del cervello che controlla il comportamento sembra saltare tra diverse modalità di funzionamento, ognuna adatta a una specifica fase di un compito. Il nuovo modello offre una finestra chiara su questi cambiamenti. Mostra che quando i ricercatori cercano di capire come il cervello controlli il comportamento, devono cercare questi cambiamenti discreti nei segnali condivisi, piuttosto che assumere che l'attività cerebrale sia un flusso fluido e continuo. Lo studio evidenzia anche che ignorare il comportamento durante l'analisi porta a una perdita di chiarezza; includendo il comportamento nel processo di apprendimento, il modello può identificare meglio quali parti del cervello stiano effettivamente svolgendo il lavoro di controllo del corpo. Questo approccio offre un modo più interpretabile per studiare il cervello, andando oltre le semplici descrizioni dell'attività per raggiungere una comprensione più profonda di come i circuiti neurali si riorganizzino per produrre la ricca varietà di comportamenti che osserviamo nel mondo naturale.
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.