Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
本論文は、高次元の神経活動と行動の関係をモデル化すると同時に、多様な実験データセットにわたるモダリティ固有の変動を分離するために、非線形なスイッチングダイナミクスを伴う解釈可能な共有潜在空間を学習する統一フレームワークであるSwitching Shared Latent Dynamics（SSLD）を導入するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
脳は広大で、ノイズの多い機械です。ある瞬間においても、数十億のニューロンが複雑なパターンで発火しており、それはラジオの静止信号（スタティック）のような信号を作り出しています。しかし、その混沌の中に、特定の細胞グループが協力して働き、私たちの動き、意思決定、そして感覚を駆動しています。何十年もの間、科学者たちは、この神経系のノイズと、動物の観察可能な明快な行動とを結びつける隠れた糸を見つけようとしてきました。課題は、脳は単に行動に反応するだけでなく、動物が現在行っていることとは無関係な、独自の内部リズムや変動をも生成しているという点にあります。脳がいかにして行動を制御しているかを理解するためには、研究者はまず、意味のある信号と、意味のないノイズを分離しなければなりません。彼らは、脳と身体の間の共通言語を見つけ出し、そして、動物が休息状態からターゲットへのリーチへと移行するように、状態が変わるにつれてその言語がどのように変化するかを理解する方法を見つける必要があります。
イェール大学とUCLAの研究チームは、この問題を解決するための「スイッチング共有潜在ダイナミクス（Switching Shared Latent Dynamics）」と呼ばれる新しい手法を開発しました。二人の会話を理解しようとしている場面を想像してみてください。その録音には、二人の声に加えて、賑やかな街路の騒音が混ざっています。この新手法は、洗練されたフィルターのように機能し、街の騒音から二人の話し手の声を分離し、さらに、話題が変わるにつれて会話がどのように移り変わるかを追跡することができます。この場合、「話し手」は脳の神経活動と動物の行動であり、「街の騒音」は現在のタスクとは無関係な脳の内部活動です。研究者たちは、動物が何をしているかに直接結びついている脳内の特定のパターンを特定し、それ以外を無視することを学習するコンピュータモデルを構築しました。決定的なのは、これらのパターンは一定ではないことをモデルが認識している点です。まるで車がギアを切り替えるように、動物が動こうとしているのか、動作を実行しているのか、あるいは休息しているのかに応じて、パターンは異なるモードの間で切り替わります。
研究者たちは、このアプローチが現実の世界で通用するかどうかを確認するために、非常に異なる4つのデータセットに対してテストを行いました。まず、正解が分かっているコンピュータ・シミュレーションから始め、モデルは隠れたパターンとシステムがモードを切り替える瞬間を正常に復元できました。次に、彼らはサルを用いた実際の実験へと移行しました。一つの実験では、サルは27の異なる方向に向けてターゲットに手を伸ばしました。モデルは、サルが手を動かしている間の運動野および前運動野における180個のニューロンの電気活動を分析しました。その結果、手の動きに関する情報は、モデルが脳と身体の間で「共有」されていると特定した脳活動の特定の部分に集中していることが分かりました。残りの脳活動は、モデルによってニューロンに「固有（プライベート）」であるとラベル付けされたものであり、手の動きを予測しない複雑なパターンを含んでいました。これにより、モデルが行動を駆動する信号を、脳の内部的なチャター（雑音）から正常に分離できることが確認されました。
二つ目のサルの実験では、動物たちは力を押し返すタスクを行いました。これは、能動的な動きと受動的な抵抗の両方を伴うシナリオです。モデルはここでも成功し、タスクのフェーズ（例えば、サルが動く直前の瞬間や、押し返している瞬間など）に一致する活動の明確な期間を特定しました。研究者たちは、モデルのモード切り替えを検知する能力が、行動について何も知らない状態でパターンを探そうとする古い手法や、脳の活動を単一の不変な流れとして扱う手法よりもはるかに優れていることを発見しました。共有された脳活動におけるこれらの切り替えを探すようモデルに明示的に教えることで、モデルは、動物の行動に合わせて脳の戦略が変化する正確な瞬間を特定することができたのです。
チームの研究はサルに留まりませんでした。彼らは、脳の全表面にわたる活動を捉える異なるタイプの記録を用い、マウスにも同じ手法を適用しました。一つの実験セットでは、マウスはタスクを実行するために自ら意思決定を行い、別の実験では、マウスは特定の目的を持たずに自由に動き回りました。これらより複雑で制御の少ない状況においても、モデルは機能しました。モデルは神経活動とマウスの動きを高い精度で再構成しました。モデルは、マウスの活動の共有部分にマウスが何をしているかに関する情報が含まれており、プライベートな部分にそれ以外の脳活動が含まれていることを特定しました。マウスが意思決定を行っているとき、モデルは、マウスが行動を起こす前に情報を蓄積し始める瞬間に対応する、脳のダイナミクスの特定のシフトを検出しました。
これらの結果は、脳が単一の定常状態で動作しているのではないことを示唆しています。むしろ、行動を制御する脳の部分は、タスクの特定のフェーズに適した、異なる動作モードの間を跳躍しているようです。新しいモデルは、これらのシフトに対する明確な窓を提供します。研究者が脳がいかに行動を制御しているかを理解しようとする際、脳の活動を滑らかで連続的な流れであると仮定するのではなく、これらの離散的な変化を探すべきであることを示しています。また、本研究は、脳の活動を分析する際に行動を無視することが明瞭さの喪失につながることも強調しています。学習プロセスに挙動を含めることで、モデルはどの部分の脳が実際に身体の制御を行う役割を果たしているのかをより良く特定できるのです。このアプローチは、脳の活動を単に記述する段階を超え、自然界で見られる豊かな多様な行動を生み出すために神経回路がいかに自らを再編成しているかという、より深い理解へと向かう、より解釈可能な方法を提示しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。