技術要約：潜在的な神経活動ダイナミクス研究のための機械学習手法

問題提起

大規模な神経記録ツールの急速な進歩により、行動中の動物の複数の脳領域にわたって、数百から数千のニューロンを同時に観察することが可能になった。このデータの氾濫は、神経科学の焦点を、単一ニューロンの応答解析から、大規模な神経集団の集合的なダイナミクス（動態）の理解へとシフトさせた。中心となる課題は、これらの高次元な神経ダイナミクスが、低次元のマニフォールド（多様体）上で進化する、大幅に削減された「潜在変数」によって駆動されていると考えられていることである。

現在の限界には、生物学的な情報処理を司る潜在的なダイナミクスの規則を逆設計する必要性、タスクに関連する神経活動と内部状態を分離する必要性、およびシナプス遅延を伴う脳領域間の分散的な相互作用をモデル化する必要性が含まれる。既存のレビューは、特定のアーキテクチャや生物学的な問いに焦点を当ててきたが、単一領域のダイナミクス、多領域間の通信、および行動に整合したモデリングを共通の生成フレームワーク内で統合する、潜在変数モデル（LVM）に関する統一的な視点が欠けている。

手法と分類学

本論文は、LVMの包括的なサーベイと分類学を提示し、既存の文献を3つの補完的な柱に分類している。著者らは、神経集団の解析を以下の生成プロセスとして定義している：
$$x_t = f(x_{t-1}, u_t, \epsilon_t)$$
$$y_t \sim P(g(x_t, s_t))$$
ここで、$x_t$ は潜在状態、$u_t$ は外部入力、$y_t$ は観測値（スパイク列またはカルシウム信号）である。

1. 単一領域の潜在ダイナミクス

この領域は、静的な平滑化から動的なモデリングへの移行を含む、単一の脳領域内における固有の経時的進化に焦点を当てている。

• 確率論的および線形状態空間モデル: 初期のプローチには、時間的な滑らかさを目的としたガウス過程因子解析（GPFA）や、ポアソン放出モデルを用いた線形ダイナミカルシステム（LDS）が含まれる。最近の変種は、デールの法則（CTDS）などの生物学的制約を課したり、変分フレームワーク（vLGP）を通じて非ガウスノイズを処理したりしている。
• 深層逐次生成モデル: 再帰型ニューラルネットワーク（RNN）は、LFADSのような変分オートエンコーダにおいて、生成器のダイナミクスを推論するために利用される。拡張版には、AutoLFADS（自己最適化アーキテクチャ）、DASC（勾配の安定性）、およびStochastic Low-Rank RNN（解釈可能性）がある。Transformerベースのモデル（例：NDT）は、明示的な再帰を自己注意（self-attention）とマスク付きモデリングに置き換え、複雑な相互依存性を捉える。
• 連続およびスイッチング・ダイナミクス: 神経常微分方程式（ODE）および確率微分方程式（SDE）（例：PLNDE, FINDR）は、連続時間進化と潜在フローフィールドをモデル化する。スイッチング線形ダイナミカルシステム（SLDS）、例えばrSLDSは、動的に線形モード間を切り替えることで、グローバルな非線形ランドスケープを近似する。また、近年の研究であるDynCLは、コントラスティブ学習を用いてスイッチング・マニフォールドを特定している。

2. 多領域間通信

この領域は、シナプス伝播の遅延と双方向ループを考慮しながら、分散した脳領域間でどのように情報がルーティングされ、転送されるかを扱う。

• 確率的生成モデル: DLAGやmDLAGといった手法は、状態空間モデルを拡張し、領域間の伝播遅延（$\tau$）を明示的にパラメータ化するマルチ出力カーネルを導入している。スイッチング状態空間モデル（例：MR-SDS）は、離散的な状態を用いて、内部的な認知状態に基づいて情報の流れを制御する。
• 深層表現学習: MR-LFADSのようなアーキテクチャは、送信者・受信者（Sender-Receiver）構造を採用して、有向的な非線形影響を推論する。GLM-Transformerは、一般化線形モデル（GLM）の解釈可能性と自己注意を統合しており、他のモデル（例：MARBLE）は、局所的な記録基底に対する神経マニフォールドの幾何学的不変性に焦点を当てている。
• 部分空間同定: 正準相関分析（CCA）や低ランク回帰（RRR）などの技術は、低ランクの通信部分空間を特定する。マルチビュー整列手法（例：CREIMBO）は、活動をセッション固有の因子と、共有された潜在的な回路ライブラリへと分解する。

3. 行動に整合したモデリング

この領域は、教師あり学習またはコントラスティブ学習を用いて、タスクのパフォーマンスに関連する神経活動と、その他の内部状態を分離することを目指す。

• 分離されたダイナミクス・モデリング: PSIDやIPSIDといったアプローチは、過去の神経活動と将来の行動との間の相互情報量を最大化するように状態空間の目的関数を再定義し、行動に整合した部分空間を孤立させる。非線形手法（DPAD, BRAID）は、因果構造を解決するために、しばしば前方予測目的関数を用いて、潜在空間を行動に整合した次元と無関係な次元に分割する。
• 表現の整列: コントラスティブ学習の枠組み（例：CEBRA）は、同一の行動ラベルを持つ神経の時間点を引き寄せることで、潜在空間を形成する。幾何学的指標（例：GLUE）は、マニフォールドの容量を定量化する。ドメイン適応技術（例：SABLE）は、分布の変化や記録のアーティファクトに対する堅牢性を確保する。
• 生成および基盤モデル: 新興のニューロ・ファンデーション・モデル（例：POYO, NEDS, POSSM）は、神経スパイクをトークンとして扱い、普遍的な神経文法を学習する。これらのモデルは、大規模な事前学習を利用して、クロスサブジェクトの汎化やゼロショットデコーディングを実現しており、Transformerからハイブリッドな再帰的状態空間モデルに至るまでのアーキテクチャを活用している。

主な貢献

1. 統一された分類学: 本論文は、断片化された分野を、単一領域のダイナミクス、多領域間の通信、および行動に整合したモデリングをカバーする構造化された分類学へと整理し、静的な平滑化と複雑なダイナミカルシステムとの間の溝を埋めている。
2. 生成フレームワーク: さまざまな手法に対して共通の生成定式化を提供することで、異なるモデルがいかに潜在状態を推論するかを体系的に比較することを可能にしている。
3. 新興パラダイムの特定: 本サーベイは、「ニューロ・ファンデーション・モデル」を第4の新しいパラダイムとして特定し、大規模言語モデル（LLM）と同様の、大規模な事前学習と普遍的な神経表現へのシフトを強調している。
4. ベンチマークとリソース: モデルの評価に不可欠な標準化されたベンチマーク（例：Neural Latents Benchmark）や大規模な公開データセット（例：International Brain Laboratory, Allen Brain Observatory）をカタログ化している。

結果と評価

サーベイ論文であるため、著者らは新しい実験結果を提示するのではなく、文献に報告されている既存手法の性能と能力を統合している：

• ダイナミクス: 深層逐次モデル（LFADS, Transformer）は、線形状態空間モデルと比較して、自律的な神経ダイナミクスを回復し、潜在フローフィールドを推論する優れた能力を示している。
• 通信: 部分空間手法および深層学習アプローチは、伝播遅延が存在する場合でも、有向的な機能的結合および通信部分空間を特定することに成功している。
• 行動への整合: コントラスティブ学習および分離手法は、行動に関連する潜在因子を孤立させるのに効果的であることが証明されており、異なる被験者やセッション間での神経マニフォールドの整列を可能にしている。
• 基盤モデル: 初期のニューロ・ファンデーション・モデルは、ゼロショットデコーディングとクロスサブジェクトの汎化において有望な兆しを見せており、個別の実験におけるデータの希少性という課題に対処している。

意義とオープンな課題

本論文は、高度なLVMを通じて、解釈可能な脳ダイナミクスと信頼性の高い神経デコーディングを橋渡しすることが可能となる、極めて重要な局面にあると主張している。しかし、いくつかの課題が残っている：

• 識別可能性: 学習されたパラメータが、データのアーティファクトではなく、真の生物学的メカニズムに対応していることを保証することは、特に回転の曖昧さを持ちやすい深層モデルにおいては依然として困難である。
• 因果関係: 現在の手法は主に観測に基づいている。分野は、物理的な実験を行う前に反事実的な仮説をテストするための「デジタルツイン」を用いるなど、因果的表現学習へと進む必要がある。
• 汎化: 「普遍的な神経文法」の欠如が、ゼロショット転移を妨げている。解決策は、神経ダイナミクスを絶対的な発火率としてではなく、相対的なマニフォールドとして扱うことにあるかもしれない。
• 効率性: Transformerや確率的モデルの計算コストは、リアルタイムのブレイン・コンピュータ・インターフェース（BCI）への障壁となっており、軽量なネットワークへの知識蒸留が必要である。

著者らは、生物学的知能のアルゴリズムを逆設計するためには、因果関係、解釈可能性、および幾何学におけるこれらの課題に対処することが不可欠であると結論付けている。