🧠 neurowetenschap

Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space

Dit artikel introduceert Switching Shared Latent Dynamics (SSLD), een verenigd raamwerk dat een interpreteerbare gedeelde latente ruimte met niet-lineaire schakelende dynamiek leert om tegelijkertijd de relatie tussen hoogdimensionele neurale activiteit en gedrag te modelleren en modaliteitsspecifieke variabiliteit over diverse experimentele datasets heen te isoleren.

Oorspronkelijke auteurs: Zhang, Y., Caro, J. O., Oren, R., Higley, M. J., Cardin, J., Churchland, A., Saxena, S.

Gepubliceerd 2026-10-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zhang, Y., Caro, J. O., Oren, R., Higley, M. J., Cardin, J., Churchland, A., Saxena, S.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

De hersenen zijn een enorme, luidruchtige machine. Op elk gegeven moment vuren miljarden neuronen in complexe patronen, wat een signaal creëert dat lijkt op de statische ruis van een radio. Toch werken binnen die chaos specifieke groepen cellen samen om onze bewegingen, beslissingen en sensaties aan te sturen. Decennialang hebben wetenschappers geprobeerd de verborgen draad te vinden die deze neurale ruis verbindt met de zuivere, waarneembare acties van een dier. De uitdaging is dat de hersenen niet alleen reageren op gedrag; ze genereren ook hun eigen interne ritmes en fluctuaties die niets te maken hebben met wat het dier op dat moment doet. Om te begrijpen hoe de hersenen gedrag aansturen, moeten onderzoekers eerst het signaal dat ertoe doet scheiden van de ruis die dat niet doet. Ze hebben een manier nodig om de gedeelde taal tussen de hersenen en het lichaam te vinden, en vervolgens te begrijpen hoe die taal verandert wanneer het dier van de ene naar de andere staat overgaat, zoals van rusten naar het reiken naar een doel.

Een team onderzoekers van de Yale University en UCLA heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, genaand Switching Shared Latent Dynamics. Stel je voor dat je probeert een gesprek tussen twee mensen te begrijpen door te luisteren naar een opname waarin hun stemmen gemengd zijn met het geluid van een drukke straat. De nieuwe methode werkt als een geavanceerd filter dat de stemmen van de twee sprekers kan isoleren van het straatlawaai, terwijl het ook bijhoudt hoe hun gesprek verschuift wanneer het onderwerp verandert. In dit geval zijn de "sprekers" de neurale activiteit van de hersenen en het gedrag van het dier, en het "straatlawaai" is de interne hersenactiviteit die niets te maken heeft met de huidige taak. De onderzoekers bouwden een computermodel dat leert om de specifieke patronen in de hersenen te identificeren die direct gekoppeld zijn aan wat het dier doet, terwijl de rest wordt genegeerd. Cruciaal is dat het model herkent dat deze patronen niet hetzelfde blijven; ze schakelen tussen verschillende modi, net zoals een auto die van versnelling wisselt, afhankelijk van of het dier zich voorbereidt op een beweging, een beweging uitvoert of rust.

De onderzoekers testten deze aanpak op vier zeer verschillende datasets om te zien of het standhoudt in de echte wereld. Ze begonnen met een computersimulatie waarbij ze het exacte antwoord kenden, en het model slaagde erin de verborgen patronen en de momenten waarop het systeem van modus wisselde te herstellen. Vervolgens gingen ze over naar echte experimenten met apen. In één experiment reikten apen naar doelen in eenentwintig verschillende richtingen. Het model analyseerde de elektrische activiteit van 180 neuronen in de motorische en premotorische cortex terwijl de apen hun handen bewogen. Het vond dat de informatie over de handbeweging geconcentreerd was in een specifiek deel van de hersenactiviteit dat het model had geïdentificeerd als "gedeeld" tussen de hersenen en het lichaam. De rest van de hersenactiviteit, die het model labelde als "privé" voor de neuronen, bevatte complexe patronen die de handbeweging niet voorspelden. Dit bevestigde dat het model erin slaagde om de gedragssturende signalen te scheiden van de interne hersenkletserij.

In een tweede aapexperiment voerden de dieren een taak uit waarbij ze tegen een kracht in moesten duwen, een scenario dat zowel actieve beweging als passieve weerstand omvat. Het model slaagde er opnieuw in om onderscheidende perioden van activiteit te identificeren die overeenkwamen met de fasen van de taak, zoals het moment voordat de aap bewoog en het moment waarop hij aan het duwen was. De onderzoekers ontdekten dat het vermogen van het model om deze schakelingen op te sporen superieur was aan oudere methoden die probeerden patronen te vinden zonder iets over het gedrag te weten, of methoden die de hersenactiviteit behandelden als een enkele, onveranderlijke stroom. Door het model expliciet te leren zoeken naar deze schakelingen in het gedeelde deel van de hersenactiviteit, kon het de exacte momenten aanwijzen waarop de strategie van de hersenen veranderde om aan te sluiten bij de acties van het dier.

Het team stopte niet bij apen. Ze pasten dezelfde methode toe op muizen, gebruikmakend van een ander type opname dat activiteit over het gehele bovenste oppervlak van de hersenen vastlegt. In één reeks experimenten namen muizen hun eigen beslissingen om een taak uit te voeren, en in een andere reeks bewogen de muizen zich gewoon vrij rond zonder een specifiek doel. Zelfs in deze complexere en minder gecontroleerde situaties werkte het model. Het reconstrueerde de neurale activiteit en de bewegingen van de muis met hoge nauwkeurigheid. Het identificeerde dat het gedeelde deel van de hersenactiviteit de informatie bevatte over wat de muis deed, terwijl het privégedeelte de rest van de hersenactiviteit vasthield. Wanneer de muizen beslissingen namen, detecteerde het model een specifieke verschuiving in de dynamiek van de hersenen die overeenkwam met het moment waarop de muis begon informatie te verzamelen voordat hij handelde.

De resultaten suggereren dat de hersenen niet in één enkele, stabiele staat opereren. In plaats daarvan lijkt het deel van de hersenen dat het gedrag aanstuurt tussen verschillende modi van operatie te springen, elk geschikt voor een specifieke fase van een taak. Het nieuwe model biedt een helder venster op deze verschuivingen. Het laat zien dat wanneer onderzoekers proberen te begrijpen hoe de hersenen gedrag aansturen, ze moeten zoeken naar deze discrete veranderingen in de gedeelde signalen, in plaats van ervan uit te gaan dat de hersenactiviteit een vloeiende, continue stroom is. De studie benadrukt ook dat het negeren van het gedrag bij het analyseren van de hersenen leidt tot een verlies aan helderheid; door het gedrag in het leerproces in te sluiten, kan het model beter identificeren welke delen van de hersenen daadwerkelijk het werk doen om het lichaam aan te sturen. Deze aanpak biedt een meer interpreteerbare manier om de hersenen te bestuderen, waarbij men verder gaat dan eenvoudige beschrijvingen van activiteit naar een dieper begrip van hoe neurale circuits zichzelf reorganiseren om de rijke variëteit van gedragingen te produceren die we in de natuurlijke wereld zien.

Technische Samenvatting: Leren van Interpreteerbare Schakelende Dynamiek in een Gedeelde Neurale-Gedragsmatige Latente Ruimte

Probleemstelling
Moderne neurowetenschappelijke opname-technologieën maken nu gelijktijdige metingen mogelijk van hoogdimensionale neurale activiteit en rijke gedragsvariabelen. Dit creëert een dubbele uitdaging: het identificeren van de gedeelde latente structuur die de hersen-gedragsrelatie bemiddelt, en het modelleren van de onderliggende dynamica waardoor deze structuur evolueert over verschillende gedragsstaten heen. Bestaande benaderingen pakken doorgaans slechts een deel van dit probleem aan. Methoden voor het leren van gedeelde representaties (bijv. CEBRA, PSID) identificeren neurale-gedragsmatige subruimtes, maar falen over het algemeen in het modelleren van de temporele dynamische structuur. Daartegenover staan dynamische modellen (bijv. SLDS, SRNNs) die temporele variatie en discrete staatsovergangen in neurale activiteit vastleggen, maar die niet expliciet de gedeelde neurale-gedragsmatige structuur scheiden van modaliteitsspecifieke variabiliteit. Gevolgelijk hebben huidige modellen moeite om gedragsrelevante signalen te isoleren van neurale ruis, terwijl ze tegelijkertijd moeten vastleggen hoe deze signalen veranderen over discrete gedragsepochen.

Methodologie: Switching Shared Latent Dynamics (SSLD)
De auteurs introduceren Switching Shared Latent Dynamics (SSLD), een verenigd framework dat een latente representatie leert die gedeeld wordt tussen neurale activiteit en gedrag, en deze gedeelde ruimte voorziet van niet-lineaire schakelende recurrente dynamica. De modelarchitectuur deelt informatie op in drie latente componenten:

Gedeelde Latente ( $s_t$ ): Legt informatie vast die gemeen is aan zowel de neurale activiteit als het gedrag. Het evolueert volgens een Switching Recurrent Neural Network (SRNN), waarbij een discrete schakelstaat ( $z_t$ ) één van $K$ verschillende niet-lineaire dynamische regimes selecteert. Dit ontwerp is gemotiveerd door de hypothese dat gedragsrelevante neurale representaties gestructureerde dynamische veranderingen vertonen over gedragsstaten heen.
Private Neurale Latente ( $h^n_t$ ): Legt neurale variabiliteit vast die niet door gedrag wordt verklaard.
Private Gedragsmatige Latente ( $h^b_t$ ): Legt gedragsvariabiliteit vast die niet door de geregistreerde neurale activiteit wordt verklaard.

Inferentie en Training:

Encoders: Neurale en gedragsmatige observaties worden afzonderlijk gecodeerd met behulp van Transformer-gebaseerde encoders naar initiële latente representaties. Deze worden vervolgens verwerkt om de gedeelde en private latente variabelen te extraheren via lineaire netwerken.
Generatief Model: De gedeelde latente varieert via het SRNN-proces. De geobserveerde neurale en gedragsmatige signalen worden gereconstrueerd door de gedeelde latente te concateneren met hun respectieve private latente en deze door decoder-netwerken te sturen.
Variational Inference: Het model maakt gebruik van amortized variational inference met een gefactoreerde posterior. Cruciaal is dat het inferentienetwerk conditioneert op beide modaliteiten om de gedeelde latente en de schakelstaten te infereren, in tegen tegenstelling tot eerdere SRNNs die alleen op neurale data conditioneren.
Verliesfunctie: Het doel combineert een Variational Evidence Lower Bound (ELBO) met twee regularisatietermen:
- Gedragsmatige Supervisie: Een cross-entropy verlies ( $L_{switch}$ ) stimuleert de geïnferreerde schakelstaten om te aligneren met experimenteel gedefinieerde gedragsepochen tijdens de training.
- Disentanglement: Een Cauchy-Schwarz (CS) divergentieterm ( $L_{DT}$ ) maximaliseert de divergentie tussen de verdeling van de gedeelde latente en de verdelingen van de private latente, wat ervoor zorgt dat gedragsrelevante dynamica wordt geïsoleerd van modaliteitsspecifieke ruis.

Belangrijkste Resultaten
SSLD werd geëvalueerd op een gesimuleerde dataset en vier diverse experimentele datasets die uiteenlopen in soort (aap, muis), hersengebieden (motorisch, premotorisch, somatosensorisch, dorsale cortex) en opname-modaliteiten (elektrofysiologie, widefield calcium imaging):

Reconstructienauwkeurigheid: SSLD reconstrueerde zowel de neurale populatieactiviteit als de gedragsbanen accuraat over alle datasets heen, waarbij het de baseline-modellen overtrof in gemiddelde kwadratische fout (MSE).
Disentanglement: Lineaire decoderinganalyses bevestigden dat gedragsinformatie sterk gecodeerd was in de gedeelde en de private gedragsmatige latente, maar grotendeels afwezig was in de private neurale latente. Dit demonstreert het vermogen van het model om de gedragsrelevante gedeelde structuur te scheiden van de neurale-specifieke variabiliteit.
State Alignment: De gediscrete staten die binnen de gedeelde latente ruimte werden geïnferreerd, aligneerden significant beter met de grondwaarheid van de gedragsepochen dan staten geïnferreerd door unsupervised baselines (k-means, HMM, SLDS) of supervised modellen die enkel op neurale data opereren. In de reiktaak behaalde SSLD een state-alignment nauwkeurigheid van 96%, wat vergelijkbaar is met volledig gesuperviseerde baselines, maar zonder directe supervisie van de latente dynamica te vereisen.
Dynamische Interpreteerbaarheid: Visualisatie van flow fields en line-attractor scores onthulde dat het model onderscheidende, staat-afhankelijke dynamische regimes leerde. Bijvoorbeeld, in de reiktaak vertoonden de dynamica een transitie van preparatoire staten naar stabiele bewegingsuitvoeringsregimes na de "go cue".
Ablatie-studies: Het verwijderen van een van de drie kerncomponenten—gedeelde representatieleer, gedragsmatige supervisie of schakelende dynamica—resulteerde in een verslechterde prestatie. Specifiek faalden lineaire methoden (CCA) in het generaliseren, het weglaten van gedragsmatige supervisie verminderde het vermogen van het model om gedeelde structuur te vangen, terwijl het weglaten van schakelende dynamica de state-alignment nauwkeurigheid verlaagde.

Significantie en Claims
Het artikel claimt dat SSLD een interpreteerbare benadering biedt voor het modelleren van gedeelde neurale-gedragsmatige dynamica. Door schakelende dynamica specifiek binnen de gedeelde latente subruimte te plaatsen, richt het model zijn discrete staat-inferentie op het onderdeel van de neurale activiteit dat het meest direct aan gedrag gekoppeld is, in plaats van op willekeurige neurale variabiliteit.

De auteurs positioneren SSLD als een complementair architecturaal motief voor het opkomende veld van neuroscience foundation models. Hoewel recente foundation models zich hebben gericht op schalen over sessies en subjecten heen, hebben zij dynamica grotendeels als stationair behandeld. SSLD demonstreert dat het integreren van schakelende dynamica in een gedeelde latente ruimte een fundamentele brug slaat tussen neurale activiteit en gedrag, wat een pad biedt naar meer interpreteerbare en schaalbare modellen die kunnen generaliseren over diverse neurale datasets, hersengebieden en gedragscontexten. Het werk suggereert dat het gezamenlijk modelleren van gedeelde structuur en schakelende dynamica essentieel is om neurale activiteit met gedrag te verbinden, hoewel de auteurs beperkingen opmerken met betrekking tot de afhankelijkheid van goed gedefinieerde gedragspriors en het gebrek aan expliciete modellering voor externe inputs.

Meer zoals dit