Behavior-dLDS: A decomposed linear dynamical systems model for neural activity partially constrained by behavior

Dit paper introduceert behavior-dLDS, een model dat neurale dynamiek ontleedt in gedrag-gerelateerde en interne subsystemen om complexe hersenactiviteit te ontrafelen en de relatie met gedrag te kwantificeren, zelfs bij datasets met tienduizenden neuronen.

De kern

Stel je je hersenen voor als een gigantisch, drukke orkestzaal. In deze zaal zitten duizenden muzikanten (neuronen) die allemaal tegelijk spelen. Soms spelen ze een melodie die je kunt zien, zoals een vis die zwemt of een muis die rent. Maar vaak spelen ze ook muziek die je niet kunt horen: gedachten, honger, een interne klok, of het plannen van de volgende beweging.

De grote uitdaging voor wetenschappers is: Hoe kun je in dat enorme lawaai precies horen welke muzikant verantwoordelijk is voor het zichtbare gedrag, en welke muzikant gewoon aan het improviseren is voor zichzelf?

Tot nu toe hadden we twee manieren om naar dit orkest te kijken:

1. De "Alles-ignoreren" methode: We luisterden alleen naar de muziek en probeerden patronen te vinden, zonder te kijken naar wat het dier deed. Dit was vaag.
2. De "Alles-koppelen" methode: We dachten dat elke noot direct gekoppeld was aan een beweging. Dit werkte niet goed, omdat de hersenen veel meer doen dan alleen bewegen.

De auteurs van dit paper (Eva Yezerets en collega's) hebben een nieuwe, slimme methode bedacht die ze b-dLDS noemen. Laten we dit uitleggen met een paar creatieve metaforen.

1. Het Grote Orkest en de Dirigent

Stel je voor dat de hersenen een orkest zijn.

• De Muzikanten: De duizenden neuronen die we meten.
• De Partituur: De onderliggende patronen (de "dynamische operators") die bepalen hoe de muziek klinkt.
• Het Publiek: Het gedrag (bijvoorbeeld: de vis zwemt naar links).

In het verleden dachten wetenschappers dat er één grote dirigent was die alles direct aanstuurde. Maar in werkelijkheid werken de hersenen als een decompositie: er zijn verschillende kleine groepen muzikanten die hun eigen stukjes spelen. Sommige groepen spelen de "zwem-melodie", andere groepen spelen de "ik-ben-hongerig-melodie", en weer anderen spelen de "ik-moet-mijn-positie-bewaken-melodie".

2. De Nieuwe Methode: b-dLDS (De Slimme Luisteraar)

Deze nieuwe methode is als een super-slimme geluidstechnicus die naar het orkest luistert en zegt: "Oké, ik ga de muziek in stukken hakken. Ik ga zoeken naar welke specifieke groepen muzikanten precies samenwerken om de vis te laten zwemmen, en welke groepen gewoon hun eigen ding doen."

De truc van b-dLDS is dat hij niet aannemt dat elke noot direct een beweging is. In plaats daarvan:

• Hij zoekt naar een kleine, speciale groep muzikanten die direct gekoppeld is aan het gedrag (bijv. zwemmen).
• Hij laat de andere muzikanten hun eigen, interne muziek spelen (gedachten, homeostase, etc.).

Het is alsof je een film kijkt met geluid. De oude methoden dachten dat elk geluid in de film (lachen, wind, muziek) direct te maken had met wat er op het scherm gebeurde. b-dLDS zegt: "Nee, wacht even. Die lach is van een acteur (gedrag), maar die wind is gewoon de achtergrondmuziek (interne berekening). Laten we ze uit elkaar halen."

3. De Test: De Zilvervisje (Zebrafish)

Om dit te bewijzen, keken ze naar een heel klein visje, de zilvervisje. Ze keken naar 13.000 neuronen tegelijk terwijl het visje probeerde op zijn plek te blijven in een stroming (een soort "zwemmen op de plaats").

• Wat zagen ze? Het visje deed twee dingen: het zwom (gedrag) en het hield zijn evenwicht (interne berekening).
• Wat deed b-dLDS? Het model slaagde erin om de neuronen die het zwemmen aanstuurden te scheiden van de neuronen die de interne balans hielden.
• Het resultaat: Ze ontdekten dat er specifieke "netwerken" in de hersenen waren die direct leken op het zwemmen, terwijl andere netwerken zich bezighielden met het gevoel van "waar ben ik?" in de stroming.

4. Waarom is dit zo belangrijk?

Vroeger waren de computerprogramma's die dit probeerden te doen, ofwel te simpel (ze zagen niets) ofwel te zwaar (ze crashten als je te veel data had, zoals bij 13.000 neuronen).

b-dLDS is als een slimme filter:

• Het is snel genoeg om enorme hoeveelheden data te verwerken (van duizenden neuronen).
• Het is slim genoeg om te begrijpen dat de hersenen parallel werken: je kunt tegelijkertijd "zwemmen" en "nadenken".
• Het helpt ons te begrijpen dat gedrag slechts het topje van de ijsberg is. Onder water (in de hersenen) gebeurt er veel meer dan wat we zien.

Samenvattend in één zin:

b-dLDS is een slimme manier om het lawaai van de hersenen op te splitsen, zodat we precies kunnen zien welke "muzikanten" verantwoordelijk zijn voor wat we zien (gedrag), en welke "muzikanten" gewoon aan het repeteren zijn voor hun eigen interne gedachten.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Behavior-dLDS: A decomposed linear dynamical systems model for neural activity partially constrained by behavior" in het Nederlands.

Probleemstelling

Hersenen genereren en controleren gedrag, maar de onderliggende neurale activiteit is complex, niet-lineair en indirect gerelateerd aan waarneembaar gedrag. Een groot deel van de neurale activiteit in brede netwerken is niet direct gekoppeld aan gedrag, maar vertegenwoordigt interne processen zoals besluitvorming, homeostase, circadiane ritmes of emotionele responsen. Bovendien wordt gedrag niet alleen door de hersenen uitgevoerd, maar ook door het ruggenmerg en het perifere zenuwstelsel.

Bestaande modellen voor het analyseren van neurale dynamiek vallen vaak in twee uitersten:

1. Volledig onbeheerd (Unsupervised): Modellen zoals Decomposed Linear Dynamical Systems (dLDS) leren dynamische basisvectoren zonder externe informatie, maar kunnen de relatie met gedrag niet expliciet ontrafelen.
2. Volledig beheerd (Supervised): Modellen zoals Conditional Linear Dynamical Systems (CLDS) of Dynamic Causal Modeling (DCM) conditioneren de neurale dynamiek direct op externe variabelen (gedrag). Dit negeert echter de interne, gedrag-onafhankelijke processen die parallel lopen.

Er is een behoefte aan een model dat de indirecte en gedeeltelijke relatie tussen neurale dynamiek en gedrag kan modelleren, waarbij het in staat is om gedrag-genererende netwerken te onderscheiden van interne berekeningen, terwijl het tegelijkertijd schaalbaar is naar grote datasets (tienduizenden neuronen).

Methodologie: Behavior-dLDS (b-dLDS)

De auteurs stellen behavior-dLDS (b-dLDS) voor, een model dat een middenweg biedt tussen volledig onbeheerde en volledig beheerde dynamische systemen. Het model decomposeert neurale dynamiek in een verzameling van "Dynamics Operators" (DO's) en koppelt een subset van deze operators indirect aan gedrag.

Kerncomponenten van het model:

1. Latente Generatieve Model:

   • Waargenomen neurale data $y_t$ wordt gemodelleerd als een lineaire projectie van een laag-dimensionale latente toestand $x_t$: $y_t = D x_t + \epsilon_y$.
   • De dynamiek van $x_t$ wordt beschreven door een tijdsvariërend lineair systeem: $x_t = F_t x_{t-1} + \epsilon_x$.
   • De overgangsmatrix $F_t$ wordt ontbonden in een lineaire combinatie van basis-dynamische operators ($f_m$) gewogen door dynamische coëfficiënten ($c_{mt}$): $F_t = \sum f_m c_{mt}$.

2. Gedragskoppeling:

   • In plaats van de neurale toestand $x_t$ direct te koppelen aan gedrag $b_t$, wordt het gedrag gemodelleerd als gegenereerd door de dynamische coëfficiënten $c_t$: $b_t = \Psi c_t + \epsilon_b$.
   • De matrix $\Psi$ projecteert de coëfficiënten naar de gedragsruimte.
   • Cruciaal onderscheid: Het model neemt aan dat $\Psi$ incompleet is. Niet alle coëfficiënten $c_t$ dragen bij aan gedrag. Een subset (bijv. $m \in \Gamma$) is gedrag-gerelateerd, terwijl de rest ($m \in \Gamma^C$) interne processen vertegenwoordigt.

3. Regularisatie en Inferentie:

   • Om te voorkomen dat het model alle coëfficiënten onnodig koppelt aan gedrag, wordt sparsiteit afgedwongen via een Laplace-prior op $c_t$ (L1-norm).
   • Een extra regularisatieterm (Frobenius-norm) op $\Psi$ zorgt ervoor dat kolommen die geen significante relatie met gedrag hebben, naar nul worden gereduceerd. Dit maakt het mogelijk om een "sparsely suspected" scenario te modelleren waar slechts een paar coëfficiënten gedrag genereren.
   • Het model wordt getraind met een Expectation-Maximization (EM) algoritme:
     • E-stap: Inferentie van de latente toestanden $x_t$ en coëfficiënten $c_t$ gegeven de data en parameters, gebruikmakend van dynamische filtering (BPDN-DF) voor efficiëntie.
     • M-stap: Update van de parameters ($D, \Psi, f_m$) via stochastische geprojecteerde gradiëntafstijging.

Belangrijkste Bijdragen

1. Conceptueel Nieuw Model: b-dLDS introduceert een nieuwe architectuur die expliciet de gedeeltelijke relatie tussen neurale dynamiek en gedrag modelleert, in tegenstelling tot modellen die aannemen dat alle dynamiek gedrag-genererend is of dat gedrag en neurale activiteit uit dezelfde latente ruimte komen.
2. Ontkoppeling van Processen: Het model kan succesvol onderscheid maken tussen neurale subsystemen die gedrag genereren en subsystemen die interne, gedrag-onafhankelijke berekeningen uitvoeren.
3. Schaalbaarheid: Het model is ontworpen om efficiënt te werken met datasets van tienduizenden neuronen, wat een beperking is voor vergelijkbare methoden zoals CLDS en PSID (die vaak vastlopen op geheugenbeperkingen bij grote $N$).
4. Verbeterde Accuratesse: Simulaties tonen aan dat b-dLDS nauwkeurigere dynamische reconstructies levert dan CLDS, omdat CLDS te sterk wordt geconditioneerd op het gedrag en daardoor de intrinsieke (niet-gedragsgerelateerde) dynamiek mist.

Resultaten

1. Simulaties:

   • In simulaties met twee onafhankelijke systemen (waarvan slechts één gedrag genereerde) slaagde b-dLDS erin om de juiste subset van dynamische coëfficiënten te identificeren die gekoppeld waren aan het gedrag.
   • Vergelijking met CLDS: CLDS faalde om de intrinsieke dynamiek te leren omdat het te sterk werd beïnvloed door de gedragssignalen. b-dLDS behaalde een lagere relatieve gemiddelde kwadratische fout (MSE) bij het reconstrueren van de dynamische matrices.
   • Vergelijking met PSID: PSID, dat een gedeelde latente ruimte voor neurale activiteit en gedrag aanneemt, kon niet omgaan met de hierarchische relatie in de simulatie en voorspelde onjuiste oscillaties in plaats van gladde gedragsstaten.

2. Toepassing op Zebrafish-data:

   • Het model werd toegepast op calciumbeeldvormingsdata van ongeveer 13.000 neuronen in de hindbrain van een zebravis tijdens positiehomeostase (zwemmen in een stroming).
   • b-dLDS slaagde erin om dynamische connectiviteitskaarten te genereren die correleerden met motorische output.
   • Het identificeerde specifieke Dynamics Operators (zoals DO 8) die sterk gekoppeld waren aan gedrag en een breed scala aan verbindingen vertoonden, terwijl andere operators (zoals DO 10, 18, 25) lokaal en minder direct met gedrag verbonden waren.
   • De resultaten bevestigden eerdere bevindingen over de rol van de medulla oblongata (SLO-MO) in zelflocatie-encoding.

Betekenis en Toekomstperspectief

b-dLDS biedt een conceptueel herformulering van de relatie tussen hersenactiviteit en gedrag. In plaats van gedrag te zien als een directe afspiegeling van de momentopname van neurale vuursnelheid, ziet het gedrag als het resultaat van de configuratie van specifieke dynamische operators over langere tijdschalen.

• Wetenschappelijke Impact: Het stelt onderzoekers in staat om "versteende" interne berekeningen te isoleren van gedragsgerelateerde netwerken in grote datasets, wat essentieel is voor het begrijpen van hoe de hersenen complexe taken uitvoeren.
• Technische Vooruitgang: Het bewijst dat het mogelijk is om lineaire dynamische systemen toe te passen op datasets van de schaal van moderne breinbeeldvorming (tienduizenden neuronen), iets wat eerder onmogelijk was met geconditioneerde modellen.
• Toekomst: De modulariteit van het framework biedt mogelijkheden voor het ontwikkelen van hiërarchische modellen die zintuiglijke input, interne staten en gedrag in één samenhangend systeem integreren.

Kortom, b-dLDS is een krachtig instrument om de "ruis" van interne hersenprocessen te filteren en de specifieke neurale dynamiek te isoleren die daadwerkelijk gedrag aanstuurt.