Tracking the Fidelity of Internal Neural Representations with Error-In-Variables Regression

あなたの脳が、自分がどこにいて、どちらを向いていて、どのくらいの速さで動いているかを常に計算している超高性能なGPSだと想像してみてください。これを行うために、脳はセンサーのように機能する、勤勉で小さなニューロンのチームに頼っており、それらは外の世界に対応するパターンで発火します。しかし、ここには落とし穴があります。脳内の「地図」は、世界の他の部分が見ている「地図」と必ずしも一致しないことがあるのです。信号が弱いためにGPSがドリフトしたり、暗い部屋のせいで混乱したり、あるいは直感に基づいてショートカットを決めてしまったりすることもあります。長い間、科学者たちは、外の世界（マウスの位置をビデオ追跡するなど）を見て、脳の内部地図はビデオの完璧なコピーであると仮定することで、これらのニューロンが何を考えているのかを正確に解明しようとしてきました。しかし、もし脳の地図が実際には少し不安定だったり、あるいはカメラが見ているものとは全く異なるものだったとしたらどうでしょうか？もしカメラが完璧だと仮定してしまうと、脳が壊れているか混乱していると考えてしまうかもしれませんが、実際には脳が独自の動きをしているだけかもしれません。

ここで、新しい研究が登場し、この誤解を解こうとしています。神経科学の分野で研究を行っている研究者たちは、私たちが測定できるノイズの多い不完全なデータに騙されることなく、脳の内部的な思考を聴き取るためのより優れた方法を構築したいと考えました。彼らは、探偵のように振る舞い、「真の」ニューロンの内的な感覚と「ノい」外部の測定値を分離する、巧妙な統計ツールを開発しました。これにより、ニューロンが調子を外しているのか、それとも単に私たちのメジャーが滑っているだけなのかを見極めることができます。これは、脳の内部地図が現実からどのように逸脱していくかを理解することが、私たちがどのように世界をナビゲートし、どのように記憶し、そして内部コンパスが機能しなくなったときに何が起こるのかを理解することに繋がるため、非常に重要です。

探偵の新しい道具：誤差変数回帰（Error-in-Variables Regression）

この論文は、誤差変数（EIV）回帰と呼ばれる新しい手法を紹介しています。これは、ひどいエコーがあり、グラグラするマイクがある部屋の中に立って、歌手の本当の声を推測しようとするようなものです。もし単に音を録音して歌手のピッチを判断しようとすれば、エコーのせいで歌手が音程を外していると判断してしまうかもしれません。しかし、もし数学的に「エコー」と「マイクの揺れ」を差し引いて、歌手の「実際の」声を聞くことができたらどうでしょうか？この新しいツールは、脳細胞に対してまさにそのことを行います。

かつて、科学者は「従来のチューニングカーブ」を使用してきました。これは、ぼやけて震えている写真に基づいて都市の地図を描こうとするようなものです。写真が鮮明であれば、地図は素晴らしくなります。しかし、写真がぼやけている場合（カメラが動いていたり照明が悪かったりする場合など）、地図はにじんでしまい、通りが広すぎたり建物が間違った場所にあるように見えたりします。論文では、これらの古い手法を脳のデータに使用すると、しばしば「にじんだ」地図が表示され、ニューロンが混乱したり精度を失ったりしていると結論付けてしまうことが示されています。

新しいEIV法は、「待ってください！ニューロンは実際には鋭く精密なのに、測定している側がぼやけているだけかもしれないのです」と主張します。この手法は、脳が「実際に起きている」と考えていることを表す、隠れた変数である「潜在的な（latent）」内部状態を導入します。そして、モデルは現実の世界（ビデオカメラ）がこの内部的な思考とどの程度一致するかを算出します。モデルは、この一致度を制御するために $\kappa$（カッパ） という特別なダイヤルを使用します。

• $\kappa$ が高い場合、カメラと脳は完全に同期しています。モデルは標準的な教師あり学習のマップとして機能します。
• $\kappa$ が低い場合、カメラと脳は全く同期していません。モデルは教師なしの探偵として機能し、カメラを無視して、独自のマップを見つけるために脳のパターンのみを見つめます。
• 魔法のような点は、モデルが**クロスバリデーション（交差検証）**という手法を用いて、自動的にこのダイヤルを調整できることです。モデルはデータを見て、「どの設定の $\kappa$ が最も理にかなっているか？」を自問自答します。

偽の脳による理論のテスト

著者たちは、このツールを本物の動物に試す前に、合成データ（脳のコンピュータ・シミュレーション）を用いてテストを行いました。彼らは、30個のニューロンと1,000ステップのタイムステップを持つ架空のシナリオを作成しました。そして、3つの異なる「忠実度」（内部地図が外部の世界とどの程度一致しているか）を設定しました。

1. 高忠実度 ($\kappa = 8.0$): 内部地図とカメラがほぼ完全に一致している。
2. 中忠実度 ($\kappa = 3.0$): ドリフトやノイズが存在する。
3. 低忠実度 ($\kappa = 0.5$): 内部地図がカメラと大きく異なっている。

これらのシミュレーションにおいて、ニューロンの「真の」チューニング（内部地図に対する反応）は正確に一定に保たれました。しかし、カメラのノイズが増えるにつれて、従来の「従来型」のマップはどんどん平坦になり、あたかもニューロンがチューニング能力を失ったかのように見えました。しかし、新しいEIVモデルは、これら3つのケースすべてにおいて、鋭く正確なチューニングカーブを復元することに成功しました。モデルは、ニューロンが変わったのではなく、脳とカメラの関係が変わっただけであることを正しく特定しました。また、モデルは、架空のデータを作成するために使用された $\kappa$ の値を正確に予測し、自力で適切な監督レベルを見つけ出せることを証明しました。

実世界のテスト1：マウスの頭部方向

研究者たちは、このツールを、コンパスのような役割を果たすことで有名な脳領域である、マウスの**前背側視床核（ADn）**の実データに適用しました。彼らはマウスを3つの異なる状況下で記録しました。

1. 明かりがある状態: マウスはすべてを見ることができる。
2. 暗闇の状態: マウスは暗闇におり、記憶や他の感覚に頼っている。
3. 固定された状態（Head-Fixed）: マウスは浮遊するボールの上で固定されており、頭を動かすことはできないが、部屋自体が回転している。これは平衡感覚（前庭入力）を狂わせる。

明かりがある状態では、マウスの内部コンパスとカメラはよく一致していました。モデルは高い $\kappa$ を示し、脳が世界を正確に追跡していることを意味していました。
暗闇の状態では、一致が悪くなりました。モデルはより低い $\kappa$ を示し、マウスの内部的な方向感覚が、カメラが見ている場所から離れ始めていることを示しました。
固定された状態では、ドリフトは非常に大きくなりました。モデルは非常に低い $\kappa$ を示しました。マウスの内部コンパスは、部屋とは異なる速度で回転しているか、あるいは混乱していますが、ニューロン自体は依然として非常に組織化された環状のパターンで発火していました。

ここでの大きな発見は、従来のメソッドを用いた場合、暗闇や固定された条件下でチューニングカーブが平坦化して見えるため、科学者たちはニューロンが「ノイジー」または「壊れている」と考えてしまう点です。しかし、EIVモデルは、ニューロンは実際には依然として鋭く精密であることを示しました。それらは依然としてマウスの内部的な方向感覚に対してチューニングされていました。問題はニューロンではなく、マウスの内部的な方向感覚が現実の世界から**デカップリング（分離）**したことにありました。脳は依然としてその役割を果たしていましたが、その「マップ」はもはや「カメラ」とは整列していなかったのです。

研究では、このミスマッチが時間の経過とともにどのように変化するかについても調査しました。固定された条件下では、エラー（内部地図とカメラの差）は単にランダムに留まるのではなく、波のように**振動（オシレーション）**し始めることが分かりました。時には脳と世界が近く、時には遠く離れるという、迷っては再び道を見つけるというリズム的なパターンを生み出していました。

実世界のテスト2：ラットのグリッド細胞

次に、彼らはこのツールを、動物が空間を移動する際にハニカム構造のパターンを描くニューロンである、ラットのグリッド細胞に対してテストしました。彼らは円形のアリーナ内で、まず暗闇で、次に視覚的な手がかりがある明かりのある状態でラットを記録しました。

ここでも、従来のメソッドでは、暗闇におけるラットの位置マップはぼやけ、情報量が少なく見えました。しかし、EIVモデルは、ラットの内部表現が、ぼやけたマップが示唆するものよりも実ははるかに鋭いことを明らかにしました。

• 空間情報: モデルは、特に暗闇において、ニューロンが「測定された」位置よりも「内部的な」位置について、より多くの情報を持っていることを算出しました。
• クラスタリング: スパイク（発火）が発生する場所を見ると、従来の方法では暗闇ではスパイクが散乱しているように見えましたが、EIV法は、ラットの内部マップに関連して、スパイクが明るい時と同様に密に集まっていることを示しました。

モデルはまた、3つのタイプのアプローチを比較しました。

1. 完全な教師あり学習（ミスマッチを無視）: 脳のマップをカメラに強制的に一致させるため、ぼやけた散漫なマップになります。
2. 完全な教師なし学習（カメラを完全に無視）: 明確なマップを見つけますが、それは回転やシフトが大きすぎて、ラットの実際の動きとは全く一致しません。
3. EIV（スイートスポット）: 最適な中間地点を見つけます。マップを鋭くクラスター化された状態に保ちつつ、有用である程度、ラットの実際の動きと整合性を保ちます。

未来の解読

最後に、チームはこう問いかけました。「もしこの新しいツールを使えば、以前よりも上手くラットの位置を予測できるだろうか？」彼らは、カメラを見ることなく、脳活動のみからラットの位置をデコード（解読）しようと試みました。

• 明かりがある状態では、カメラがすでに良いガイドとなっているため、新メソッドは旧メソッドよりわずかに優れている程度でした。
• 暗闇の状態では、新メソッドは大幅に優れていました。$\kappa$ のダイヤルを適切な場所に調整することで、モデルはノイズに惑わされる旧メソッドよりも正確にラットの位置を予測することができました。

彼らはまた、モデルに一貫性があるかどうかも確認しました。ニューロンを2つのグループに分けたとき、両方のグループはラットがどこにいるかについて一致した意見を持っているでしょうか？はい。EIVモデルは、暗闇であっても、2つのグループのニューロンがラットの内部的な位置について同じ物語を語っていることを示しました。一方で、旧メソッドはそれらが混乱していることを示唆していました。

まとめ

この論文は、単なる新しい数学的トリックを提供しているのではなく、新しい考え方を提示しています。私たちの測定による脳のデータが乱雑であったり「にじんで」見えたりする場合、それは脳が壊れているからではなく、脳の内部マップが外部の世界から逸脱しており、私たちはそれらを無理やり一致させようとしているからかもしれない、ということを示唆しています。この誤差変数回帰を使用することで、科学者たちは、周囲の世界がノイジーであったり、暗かったり、混乱していたりする場合でも、脳の真に鋭い信号をようやく見ることができるのです。脳は、私たちが考えているよりもずっと精密であることが多いのです。ただ、時として、私たちが手にしている地図とは異なる地図をナビゲートしているだけなのです。