Cortical neural landscape captures mouse-to-mouse variability in anticipatory vs. inattentive decision making

Op basis van data van ongeveer 100 muizen toont dit onderzoek aan dat individuele verschillen in anticiperend versus onoplettend besluitvormingsgedrag worden gekenmerkt door een laag-dimensionale variatie die correleert met de tijdschaal van corticale neurale dynamiek, vooral in mediale visuele gebieden.

De kern

Het Grote Muizen-Experiment: Waarom zijn sommige muizen sneller dan anderen?

Stel je voor dat je een grote groep muizen in een lab hebt. Ze moeten allemaal een spelletje spelen: ze zien een streepje op een scherm (links of rechts) en moeten een wieltje draaien in de juiste richting om een beloning (suikerwater) te krijgen.

Normaal gesproken kijken onderzoekers alleen naar het eindresultaat: Heeft de muis de opdracht goed gedaan? Maar in dit onderzoek keken de wetenschappers (Chang Yin en Naoki Hiratani) naar iets heel anders: hoe de muizen het deden. En ze ontdekten iets verrassends.

1. Twee soorten muizen: De "Vroegtijdige" en de "Sluimerende"

Toen ze keken naar hoe snel de muizen reageerden, zagen ze twee extreme groepen:

• De "Vroegtijdige" (Anticipatory): Deze muizen zijn zo opgewonden of voorspellend, dat ze het wieltje al beginnen te draaien voordat het streepje verschijnt. Ze gokken op wat er gaat komen. Soms is hun reactietijd zelfs negatief (ze bewegen voordat het licht gaat).
• De "Sluimerende" (Inattentive): Deze muizen zijn juist heel traag. Ze wachten lang, kijken misschien ergens anders naartoe, en reageren pas na een paar seconden. Het lijkt alsof ze even "weg" zijn.

De meeste muizen doen een beetje van beide, maar sommige muizen zijn duidelijk de ene of de andere. Het is alsof je een klasje kinderen hebt: sommigen springen direct op als de leraar binnenkomt, terwijl anderen even moeten wachten voordat ze echt wakker worden.

2. De "Geestelijke Diepte" van de Muizenhersenen

De onderzoekers vroegen zich af: Waarom is dit zo?
Ze bedachten een mooi beeld: Het landschap van de hersenen.

Stel je de hersenen voor als een landschap met heuvels en dalen (attractoren):

• Een ondiep landschap (De Vroegtijdige): Stel je een landschap voor met heel kleine, ondiepe kuilen. Als een bal (een gedachte of impuls) in zo'n kuil ligt, is het heel makkelijk om eruit te rollen. De muis schakelt snel van de ene gedachte naar de andere. Dit zorgt voor snelle, soms te snelle reacties. Ze zijn alert, maar misschien te impulsief.
• Een diep landschap (De Sluimerende): Stel je nu een landschap voor met diepe, steile kuilen. Als een bal daar in zit, blijft hij daar hangen. Het kost veel moeite om eruit te komen. Deze muizen zijn stabiel, maar ze zijn ook traag om te reageren op nieuwe prikkels. Ze zijn misschien een beetje afwezig.

3. Het Bewijs: De "Trage Golf"

Hoe weten ze of een muis een ondiep of diep landschap heeft? Ze keken naar de hersengolven van de muizen, zelfs als ze niets deden (tussen de spelletjes door).

Ze maten hoe snel de activiteit in de hersenen "vergat" wat er net gebeurd was.

• Vroegtijdige muizen: Hun hersengolven veranderden heel snel. Het signaal verdween snel. Dit past bij een ondiep landschap waar dingen snel veranderen.
• Sluimerende muizen: Hun hersengolven bleven lang hangen. Het signaal bleef "trager" in de hersenen. Dit past bij een diep landschap waar dingen vastzitten.

Het was alsof ze keken naar hoe snel een rimpel in een vijver verdwijnt. Bij de snelle muizen verdween de rimpel direct; bij de trage muizen bleef het water nog lang bewogen.

4. Waarom is dit belangrijk?

Tot nu toe dachten wetenschappers dat verschillen tussen dieren (of mensen) vooral "ruis" waren – iets dat je moet weghalen om een eerlijk experiment te doen.

Dit onderzoek zegt: Nee, die verschillen zijn belangrijk!
Het laat zien dat elke muis (en misschien ook elke mens) een eigen "instelling" heeft in zijn hersenen. Sommigen zijn van nature sneller en impulsiever, anderen zijn trager en meer in zichzelf gekeerd. Dit heeft niets te maken met intelligentie, maar met de fundamentele manier waarop hun hersenen werken.

Samengevat in één zin:
Net zoals sommige mensen 's ochtends direct uit bed springen en anderen eerst een uur nodig hebben om wakker te worden, hebben muizen (en mensen) verschillende "dieptes" in hun hersenlandschap die bepalen of ze snel reageren of juist even moeten nadenken.

Technische samenvatting

Probleemstelling

Individuele variabiliteit in gedrag is een fundamenteel kenmerk van sociale dieren, maar wordt in traditionele neurowetenschappelijke experimenten vaak gezien als een storende factor die de reproduceerbaarheid ondermijnt. Bestaande studies hebben vaak te kampen met kleine steekproefgroottes en zijn beperkt tot één laboratorium, wat de statistische power beperkt en het moeilijk maakt om de oorsprong van variabiliteit te modelleren. Er is een gebrek aan een schaalbare, datagedreven methode om inter-individuele variabiliteit in grote cohorten te karakteriseren en te koppelen aan brede neurale dynamiek. De centrale vraag is hoe gedragsverschillen tussen individuen (zelfs binnen genetisch identieke muizenstammen) gestructureerd zijn en hoe deze zich manifesteren in de neurale activiteit van de hele hersenen.

Methodologie

De auteurs maakten gebruik van het uitgebreide dataset van het International Brain Laboratory (IBL), bestaande uit ongeveer 100 C57BL/6J muizen die getraind waren op een gestandaardiseerd visueel beslissingsproces.

1. Gedragsanalyse (Reactietijd):

   • Analyse van meer dan 267.000 proeven.
   • Definitie van Reactietijd (RT) als het interval tussen stimulusstart en bewegingsstart.
   • Identificatie van twee extreme gedragspatronen:
     • Vroege (Anticiperende) responsen: RT < 0,08s (vaak negatief, beweging vóór stimulus).
     • Late (Onoplettende) responsen: RT > 1,25s (voornamelijk bij lage contrasten, geassocieerd met fouten).
   • Introductie van de Anticipatory Tendency Index (ATI): Het verschil tussen het aandeel vroege en late responsen per dier.

2. Deep Learning Embedding:

   • Ontwikkeling van een feedforward neurale netwerk om keuze, RT en uitvoeringstijd (ET) te voorspellen op basis van stimuluscontrast, blokstructuur, proefnummer en dier-ID.
   • De dier-ID wordt gecodeerd als een one-hot vector en geprojecteerd naar een 4-dimensionale latent embedding space.
   • Door training op 334 sessies (95 muizen) leert het netwerk laag-dimensionale representaties die individuele variabiliteit vastleggen.

3. Neuraal Landschap Hypothese & Autocorrelatie:

   • Hypothese: Variabiliteit wordt veroorzaakt door verschillen in de "diepte" van het neurale landschap (attractoren). Een ondiep landschap leidt tot snelle overgangen (anticipatie), een diep landschap tot stabiliteit maar trager reageren (onoplettendheid).
   • Autocorrelatie-analyse: Berekening van autocorrelatietijdschalen van populatie-activiteit tijdens twee periodes:
     • Passieve periodes: Na de taak, zonder stimuli.
     • Inter-Trial Intervallen (ITI): Tussen proeven.
   • Bootstrap-methode: Ontwikkeling van een nieuwe, onbevooroordeelde methode om autocorrelatie te schatten uit korte ITI's, waarbij het gemiddelde en de variantie worden geschat over naburige proeven in plaats van per proef, om bias te voorkomen.

Belangrijkste Bijdragen

1. Karakterisering van gedragsvariabiliteit: Identificatie van een continuüm van anticipatie versus onoplettendheid als een dominante dimensie van individuele variabiliteit, onafhankelijk van algemene taakprestatie.
2. Dier-Embedding Algoritme: Een nieuwe deep-learning aanpak die individuele gedragskenmerken leert in een laag-dimensionale ruimte, waardoor voorspellingen over nieuwe sessies mogelijk zijn en de structuur van variabiliteit interpreteerbaar wordt.
3. Neuraal-Landschap Hypothese: Een mechanistische link tussen gedragsstrategieën en de dynamische eigenschappen van neurale netwerken (tijdschalen van autocorrelatie).
4. Methodologische innovatie: Een robuuste bootstrap-methode voor het schatten van autocorrelatietijdschalen uit korte, niet-stationaire tijdsreeksen (ITI's).

Resultaten

• Gedragspatronen: Muizen vertonen een breed spectrum aan ATI-waarden. Sommige muizen zijn consistent anticiperend (snelle RT's, vaak negatief), terwijl anderen consistent onoplettend zijn (trage RT's). Dit patroon is stabiel over sessies heen.
  • Geslachtsverschil: Vrouwtjes toonden een iets hogere anticiperende neiging dan mannetjes.
  • De ATI correleerde niet sterk met de algehele taakprestatie (psychometrische curve), maar wel met de reactiesnelheid.
• Embedding Structuur: De eerste hoofdas (PC1) van de geleerde embedding correleerde sterk met de ATI. Muizen met een positieve PC1-projectie waren anticiperend, die met een negatieve projectie waren onoplettend. De tweede as (PC2) correleerde met links/rechts-bias.
• Neurale Correlaten:
  • Er werd een significante negatieve correlatie gevonden tussen de anticiperende neiging (ATI) en de autocorrelatietijdschaal van neurale activiteit.
  • Anticiperende muizen (hoge ATI) vertoonden kortere tijdschalen (snellere dynamiek), wat overeenkomt met een "ondieper" neurale landschap dat snellere overgangen tussen toestanden toelaat.
  • Onoplettende muizen (lage ATI) vertoonden langere tijdschalen (langzamere dynamiek), wat overeenkomt met een "dieper" landschap dat toestanden stabiliseert.
  • Dit effect was het sterkst in mediale visuele gebieden (zoals VISa en VISam).
  • Deze correlatie werd gevonden in zowel passieve periodes als tijdens ITI's, wat suggereert dat het een fundamentele eigenschap van de individuele neurale dynamiek is en niet alleen taakgebonden.
• Controles: Er was geen sterke correlatie gevonden tussen de tijdschalen en de gemiddelde vuursnelheid (firing rate) of geslacht, wat suggereert dat het effect specifiek is voor de dynamische tijdschaal en niet voor het activiteitsniveau.

Significantie

De studie biedt een nieuw perspectief op individuele variabiliteit in neurowetenschappen. In plaats van variabiliteit als ruis te zien, tonen de auteurs aan dat deze een gestructureerde, laag-dimensionale eigenschap is die direct gekoppeld is aan de intrinsieke dynamiek van neurale netwerken.

• Fundamentele Inzicht: Het bevestigt dat verschillen in beslissingsstrategieën (anticipatie vs. onoplettendheid) voortkomen uit verschillen in de "diepte" van het neurale landschap, wat de snelheid van toestandsveranderingen bepaalt.
• Klinische Relevantie: De bevindingen resoneren met studies bij mensen die aangeven dat aandoeningen zoals autisme geassocieerd kunnen zijn met veranderingen in de dynamiek van neurale netwerken (bijv. rigide dynamiek). Het biedt een raamwerk om diermodellen van neuropsychiatrische aandoeningen te bestuderen via de lens van landschapsdiepte.
• Methodologische Impact: De ontwikkelde embedding-methode en de bootstrap-techniek voor autocorrelatie bieden krachtige tools voor toekomstig onderzoek naar gedrag-neuraal koppelingen in grote datasets.

Samenvattend koppelt dit werk gedragsvariabiliteit bij muizen direct aan de tijdschaal van corticale dynamiek, ondersteunend het idee dat individuele verschillen in besluitvorming worden gedreven door fundamentele verschillen in de stabiliteit van neurale toestanden.