Gaussian Process Inference Reveals Non-separability of Positionand Velocity Tuning in Grid Cells

Dit onderzoek toont aan dat het gebruik van Gaussische Processen op vierdimensionale neurale data blootlegt dat de positie- en snelheidstuning van roostercellen in de mediale entorhinale cortex niet volledig gescheiden zijn, wat een interactie aantoont die met traditionele tweedimensionale analyses niet zichtbaar was.

De kern

🧠 De GPS van het Brein: Waarom Snelheid en Plaats niet los van elkaar werken

Stel je voor dat je brein een ingebouwde GPS heeft. In een deel van je hersenen, genaamd de mediale entorhinale cortex (MEC), zitten speciale cellen die we roostercellen noemen. Deze cellen werken als een onzichtbaar raster of een tegelvloer over de wereld. Waar je ook loopt, deze cellen vuren (sturen een signaal) op een ritmisch patroon, zodat je precies weet waar je bent.

Vroeger dachten wetenschappers dat deze cellen heel simpel werkten:

1. Ze weten waar je bent (positie).
2. Ze weten hoe snel je beweegt (snelheid).
3. Ze denken dat deze twee dingen los van elkaar werken. Alsof de snelheid alleen het volume van het signaal verhoogt, maar de kaart zelf niet verandert.

Maar dit nieuwe onderzoek zegt: "Nee, het is veel ingewikkelder!"

🕵️‍♂️ Het Probleem: De "Gaten" in de Kaart

Om te begrijpen hoe deze cellen werken, hebben de onderzoekers ratten in een groot vierkant veld laten rondlopen op zoek naar eten. Ze hebben de cellen van de ratten afgeluisterd.

Het probleem was dat ratten niet overal even vaak komen. Ze rennen soms hard, soms langzaam, en ze lopen niet overal in het veld. Het is alsof je probeert een foto van een drukke stad te maken, maar je camera alleen foto's maakt op de plekken waar mensen toevallig staan. De meeste plekken op de foto zijn dan leeg of wazig.

In de wereld van de wetenschap noemen we dit een 4D-ruimte:

• 2 dimensies voor waar je bent (links/rechts, voor/achter).
• 2 dimensies voor hoe je beweegt (snelheid links/rechts, snelheid voor/achter).

Omdat ratten niet overal even vaak zijn, waren er enorme gaten in de data. Het was alsof je een puzzel probeert te maken, maar 80% van de stukjes ontbreekt.

🪄 De Magische Oplossing: De "Gok-En-Verfijn"-Machine

Om deze gaten op te vullen, gebruikten de onderzoekers een slimme wiskundige techniek genaamd Gaussian Processes (GP).

Stel je voor dat je een schilder bent die een landschap moet schilderen, maar je hebt alleen een paar stippen verf op het doek. Een gewone schilder zou misschien zeggen: "Ik kan hier niets van maken." Maar deze GP-machine is als een meesterkunstenaar met een magisch geheugen.

• Hij kijkt naar de stippen die je hebt.
• Hij weet hoe de natuur (of in dit geval, de hersenen) meestal werkt.
• Hij vult de gaten in met een zeer nauwkeurige schatting van hoe het eruit zou moeten zien.

Hiermee konden ze een volledige, scherpe "4D-kaart" van de hersencellen maken, zelfs op plekken waar de rat nooit is geweest.

🚀 De Grote Ontdekking: De Kaart Verandert met de Snelheid

Toen ze deze nieuwe, complete kaarten bekeken, zagen ze iets verrassends.

De oude theorie (De "Volume-knop"):
Je dacht dat als een rat sneller loopt, de roostercellen gewoon harder gaan "schreeuwen" (meer vuur), maar dat de vorm van het raster hetzelfde blijft. Alsof je de volume-knop van een radio harder draait, maar het liedje blijft hetzelfde.

De nieuwe ontdekking (De "Vorm-veranderende Kaart"):
De onderzoekers ontdekten dat dit niet waar is. Als de rat van snelheid verandert, verandert de vorm van het raster zelf!

• Soms verschuiven de plekken waar de cellen vuren.
• Soms verdwijnen sommige "tegels" van het raster en verschijnen er nieuwe.
• Soms wordt het patroon vervormd.

Het is alsof je GPS niet alleen je snelheid meet, maar ook de kaart zelf laat vervormen afhankelijk van hoe je rijdt. Als je hard rijdt, ziet de kaart er anders uit dan als je langzaam wandelt. De positie en de snelheid zijn onlosmakelijk verbonden; ze kunnen niet los van elkaar worden gezien.

🧩 Waarom is dit belangrijk?

Stel je voor dat je een auto bouwt. Als je denkt dat het stuur en het gaspedaal los van elkaar werken, bouw je een slechte auto. Maar als je ontdekt dat het sturen afhankelijk is van hoe hard je rijdt, moet je de hele auto opnieuw ontwerpen.

Voor de wetenschap betekent dit:

1. Onze hersenen zijn slimmer dan we dachten: Ze combineren informatie op een heel complexe manier. Ze bouwen geen statische kaart, maar een dynamische, levende representatie van de wereld.
2. Data is cruciaal: Je hebt heel veel gegevens nodig om dit te zien. Als je maar een klein beetje data hebt (zoals in eerdere studies), zie je alleen het simpele plaatje en mis je de echte magie. De "magische schilder" (GP) had nodig dat er genoeg stippen op het doek waren om de gaten correct in te vullen.

🏁 Conclusie

Kortom: De cellen in je hersenen die je helpen navigeren, werken niet als twee aparte machines (één voor plaats, één voor snelheid). Ze werken als één super-complex systeem waarbij je snelheid de kaart van je omgeving direct beïnvloedt. Dankzij slimme wiskunde konden we eindelijk zien hoe dit in zijn werk gaat, en het is veel mooier en ingewikkelder dan we ooit dachten.

Technische samenvatting

Probleemstelling

Grid-cellen in de mediale entorhinale cortex (MEC) zijn cruciaal voor ruimtelijke navigatie en vormen periodieke, hexagonale vuurpatronen. Hoewel er veel bekend is over de afzonderlijke afstemming (tuning) van deze cellen op positie, snelheid en hoofdrichting, is de conjunctieve codering (de gezamenlijke verwerking) van deze variabelen slecht begrepen.

De centrale vraag is of grid-cellen positie en snelheid onafhankelijk coderen (een separabel model, waarbij snelheid slechts als een versterker of 'gain' fungeert voor de ruimtelijke kaart) of dat ze deze variabelen integreren in een complexere, niet-separabele codering over een hogedimensionale ruimte. Traditionele methoden marginaliseren vaak over één variabele (bijv. het analyseren van 2D-positie-tuning over alle snelheden), waardoor interacties tussen variabelen verloren gaan. Een grote uitdaging is het verkrijgen van voldoende data-coverage in de volledige 4D-behaviorale ruimte (2D-positie + 2D-snelheid), omdat dieren tijdens experimenten zelden alle mogelijke combinaties van positie en snelheid bezoeken, wat leidt tot zeer schaarse data.

Methodologie

De auteurs hebben een geavanceerde analyse uitgevoerd op bestaande datasets van vrij foragerende ratten (uit Gardner et al., 2022), waarbij neurale activiteit werd opgenomen met Neuropixels-probes in de MEC.

1. Data-voorbereiding en Binning:

   • De behaviorale ruimte werd opgedeeld in een 4D-binsysteem: 2D-positie ($x, y$) en 2D-snelheid ($v_x, v_y$).
   • Gebruikte bin-groottes: 5 cm voor positie en 10 cm/s voor snelheid.
   • Dit resulteerde in een rooster van $30 \times 30 \times 5 \times 5 = 22.500$ bins.
   • De meeste bins waren zelden of nooit bezocht, wat directe schatting van vuursnelheden onmogelijk maakte zonder statistische interpolatie.

2. Gaussian Process (GP) Inference:

   • Om de schaarse data te overwinnen, gebruikten de auteurs Gaussian Process (GP) regressie.
   • Een GP model schat de gemiddelde vuursnelheid op onbezoekte punten in de 4D-ruimte op basis van waarnemingen op nabije punten.
   • Er werd een Matérn-kern ($\nu = 5/2$) gebruikt, wat een exponentiële afname van correlatie met afstand mogelijk maakt.
   • Het model werd getraind per cel en leverde niet alleen een schatting van de vuursnelheid, maar ook een maat voor onzekerheid (variantie).
   • Cross-validatie (k-fold) werd gebruikt om de prestaties te valideren.

3. Vergelijking met een Separabel Model:

   • Een separabel model werd geconstrueerd als het buitenproduct van twee functies: één voor positie en één voor snelheid ($r(x,y,v_x,v_y) = f_{pos}(x,y) \cdot f_{vel}(v_x,v_y)$).
   • Dit model werd geoptimaliseerd via gradient descent (PyTorch) met een niet-negativiteitsbeperking.
   • De prestaties van het GP-model (dat niet-separabiliteit toestaat) werden vergeleken met het separabele model aan de hand van de Fraction of Variance Explained (FVE) op een vastgehouden testset (held-out data).

4. Validatie:

   • Er werden simulaties uitgevoerd met een nul-model (waarbij de tuning invariant was voor snelheid) om te controleren of het GP-model geen "hallucinaties" (schijnbare niet-separabiliteit) genereerde.

Belangrijkste Bijdragen

• 4D Tuning Curves: De eerste toepassing van GP's om volledige 4D-tuningcurves (positie + snelheid) te reconstrueren voor individuele grid-cellen, in plaats van gereduceerde 2D- of 1D-projecties.
• Statistische Data-rijking: Een robuuste methodologie om schaarse behaviorale data te verrijken, waardoor het mogelijk wordt om neurale codering te analyseren in een ruimte die experimenteel niet volledig kan worden afgedekt.
• Definitie van Separabiliteit: Een strikte wiskundige test om te bepalen of grid-codering factoriseerbaar is in onafhankelijke snelheid- en positiecomponenten.

Resultaten

1. Niet-separabiliteit bij hoge data-coverage:

   • In sessies met uitgebreide data-coverage (bijv. Rat R, dag 1, >90% van de bins bezocht), presteerde het GP-model significant beter dan het separabele model (hogere FVE).
   • Dit wijst erop dat er een significante interactie bestaat tussen positie en snelheid; de ruimtelijke afstemming verandert afhankelijk van de snelheid en richting op een manier die niet alleen door versterking (gain modulation) kan worden verklaard.

2. Afhankelijkheid van Data-coverage:

   • De superioriteit van het GP-model was sterk afhankelijk van de dichtheid van de data. In sessies met minder data (korter durende sessies) presteerde het separabele model soms beter of gelijkwaardig, waarschijnlijk omdat het minder parameters heeft en minder gevoelig is voor overfitting bij schaarse data.
   • Er werd een drempel gevonden: voldoende data-coverage is noodzakelijk om niet-separabiliteit betrouwbaar waar te nemen.

3. Karakteristieken van Niet-separabiliteit:

   • Niet-separabiliteit manifesteerde zich als verschuivingen in de locatie van grid-velden, het verschijnen/verdwijnen van velden, of veranderingen in de vorm van de velden tussen verschillende snelheidsbins.
   • Er werd een sterke positieve correlatie gevonden tussen de standaarddeviatie van de cosinus-similariteit (SDCS) tussen snelheidsbins en het verschil in FVE ($\Delta$FVE) tussen de modellen.
   • De niet-separabiliteit was niet gerelateerd aan de grid-score of grid-schaal, maar wel aan de gemiddelde vuursnelheid en de data-dichtheid.

4. Validatie:

   • Simulaties met invariant data toonden aan dat het GP-model geen valse niet-separabiliteit genereerde; de geobserveerde effecten waren dus echt en niet een artefact van de methode.

Significantie

De studie biedt fundamentele inzichten in de neurale codering van ruimte:

• Hogedimensionale Representatie: Grid-cellen coderen ruimte niet als een statische kaart die alleen in intensiteit varieert met snelheid, maar als een dynamisch, niet-separabel systeem waarbij positie en snelheid geïntegreerd worden. Dit ondersteunt het idee van een hogedimensionale neurale representatie van de buitenwereld.
• Methodologische Doorbraak: Het gebruik van Gaussian Processes voor het analyseren van schaarse neurale data in hoge dimensies opent nieuwe wegen voor het bestuderen van complexe neurale manifolds die traditionele binning-methoden niet kunnen oplossen.
• Implicaties voor Navigatiemodellen: De bevindingen suggereren dat modellen voor grid-cellen (zoals Continue Attractor Netwerken) rekening moeten houden met de interactie tussen snelheid en positie, en dat de interne kaart flexibel kan verschuiven afhankelijk van de bewegingsdynamiek. Dit heeft gevolgen voor het begrijpen van hoe navigatie wordt bijgestuurd in verschillende gedragscontexten.