🧠 neurociência

Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space

Este artigo introduz o Switching Shared Latent Dynamics (SSLD), um framework unificado que aprende um espaço latente compartilhado interpretável com dinâmica de alternância não linear para modelar simultaneamente a relação entre a atividade neural de alta dimensão e o comportamento, enquanto isola a variabilidade específica de cada modalidade através de diversos conjuntos de dados experimentais.

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

Publicado 2026-10-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

O cérebro é uma máquina vasta e ruidosa. Em qualquer dado momento, bilhões de neurônios estão disparando em padrões complexos, criando um sinal que se parece com a estática de um rádio. No entanto, dentro desse caos, grupos específicos de células estão trabalhando juntos para impulsionar nossos movimentos, decisões e sensações. Durante décadas, cientistas tentaram encontrar o fio oculto que conecta esse ruído neural às ações limpas e observáveis de um animal. O desafio é que o cérebro não apenas reage ao comportamento; ele também gera seus próprios ritmos e flutuações internas que nada têm a ver com o que o animal está fazendo no momento. Para entender como o cérebro controla o comportamento, os pesquisadores devem primeiro separar o sinal que importa do ruído que não importa. Eles precisam de uma maneira de encontrar a linguagem compartilhada entre o cérebro e o corpo, e então entender como essa linguagem muda conforme o animal passa de um estado para outro, como de estar em repouso para alcançar um alvo.

Uma equipe de pesquisadores da Universidade de Yale e do UCLA desenvolveu um novo método para resolver este problema, chamado Dinâmica Latente Compartilhada de Alternância (Switching Shared Latent Dynamics). Imagine tentar entender uma conversa entre duas pessoas ouvindo uma gravação que contém as vozes delas misturadas ao som de uma rua movimentada. O novo método atua como um filtro sofisticado que pode isolar as vozes dos dois falantes do ruído da rua, enquanto também rastreia como a conversa deles muda conforme o tópico muda. Neste caso, os "falantes" são a atividade neural do cérebro e o comportamento do animal, e o "ruído da rua" é a atividade cerebral interna que nada tem a ver com a tarefa atual. Os pesquisadores construíram um modelo computacional que aprende a identificar os padrões específicos no cérebro que estão diretamente ligados ao que o animal está fazendo, enquanto ignora o restante. Crucialmente, o modelo reconhece que esses padrões não permanecem os mesmos; eles alternam entre diferentes modos, de forma muito semelhante a um carro trocando de marcha, dependendo se o animal está se preparando para se mover, executando um movimento ou descansando.

Os pesquisadores testaram essa abordagem em quatro conjuntos de dados muito diferentes para ver se ela se sustentaria no mundo real. Eles começaram com uma simulação de computador onde sabiam a resposta exata, e o modelo recuperou com sucesso os padrões ocultos e os momentos em que o sistema mudou de modo. Em seguida, passaram para experimentos reais envolvendo macacos. Em um experimento, macacos alcançavam alvos em vinte e sete direções diferentes. O modelo analisou a atividade elétrica de 180 neurônios no córtex motor e pré-motor enquanto os macacos moviam suas mãos. Ele descobriu que a informação sobre o movimento da mão estava concentrada em uma parte específica da atividade cerebral que o modelo havia identificado como "compartilhada" entre o cérebro e o corpo. O restante da atividade cerebral, que o modelo rotulou como "privada" aos neurônios, continha padrões complexos que não previam o movimento da mão. Isso confirmou que o modelo poderia separar com sucesso os sinais que impulsionam o comportamento do ruído interno do cérebro.

Em um segundo experimento com macacos, os animais realizaram uma tarefa na qual tinham que empurrar contra uma força, um cenário que envolve tanto movimento ativo quanto resistência passiva. O modelo teve sucesso novamente, identificando períodos distintos de atividade que correspondiam às fases da tarefa, como o momento antes de o macaco se mover e o momento em que ele estava empurrando. Os pesquisadores descobriram que a capacidade do modelo de detectar essas mudanças era muito superior aos métodos antigos que tentavam encontrar padrões sem saber nada sobre o comportamento, ou métodos que tratavam a atividade cerebral como um fluxo único e imutável. Ao ensinar explicitamente o modelo a procurar por essas mudanças na parte compartilhada da atividade cerebral, ele pôde identificar os momentos exatos em que a estratégia do cérebro mudou para corresponder às ações do animal.

A equipe não parou nos macacos. Eles aplicaram o mesmo método a camundongos, usando um tipo diferente de registro que captura a atividade em toda a superfície superior do cérebro. Em um conjunto de experimentos, os camundongos tomavam suas próprias decisões para realizar uma tarefa e, em outro, os camundongos simplesmente se moviam livremente sem um objetivo específico. Mesmo nessas situações mais complexas e menos controladas, o modelo funcionou. Ele reconstruiu a atividade neural e os movimentos do camundongo com alta precisão. Identificou que a parte compartilhada da atividade cerebral continha a informação sobre o que o camundongo estava fazendo, enquanto a parte privada continha o restante da atividade cerebral. Quando os camundongos estavam tomando decisões, o modelo detectou uma mudança específica na dinâmica cerebral que correspondia ao momento em que o camundongo começou a acumular informações antes de agir.

Os resultados sugerem que o cérebro não opera em um estado único e constante. Em vez disso, a parte do cérebro que controla o comportamento parece saltar entre diferentes modos de operação, cada um adequado a uma fase específica de uma tarefa. O novo modelo oferece uma janela clara para essas mudanças. Ele mostra que, quando os pesquisadores tentam entender como o cérebro controla o comportamento, devem procurar por essas mudanças discretas nos sinais compartilhados, em vez de assumir que a atividade cerebral é um fluxo suave e contínuo. O estudo também destaca que ignorar o comportamento ao analisar o cérebro leva a uma perda de clareza; ao incluir o comportamento no processo de aprendizado, o modelo pode identificar melhor quais partes do cérebro estão realmente realizando o trabalho de controlar o corpo. Essa abordagem oferece uma maneira mais interpretável de estudar o cérebro, indo além de simples descrições de atividade para uma compreensão mais profunda de como os circuitos neurais se reorganizam para produzir a rica variedade de comportamentos que vemos no mundo natural.

Resumo Técnico: Aprendizado de Dinâmicas de Alternância Interpretáveis em Espaço Latente Compartilhado Neuro-Comportamental

Declaração do Problema
As tecnologias modernas de registro neurocientífico permitem agora a medição simultânea de atividade neural de alta dimensão e variáveis comportamentais ricas. Isso cria um desafio duplo: identificar a estrutura latente compartilhada que media a relação cérebro-comportamento e modelar as dinâmicas subjacentes através das quais essa estrutura evolui ao longo de estados comportamentais. As abordagens existentes geralmente abordam apenas parte desse problema. Métodos de aprendizado de representação compartilhada (ex: CEBRA, PSID) identificam subespaços neurais-comportamentais, mas geralmente falham em modelar a estrutura dinâmica temporal. Por outro lado, modelos dinâmicos (ex: SLDS, SRNNs) capturam a variação temporal e transições de estado discretas na atividade neural, mas não desentranham explicitamente a estrutura neural-comportamental compartilhada da variabilidade específica de cada modalidade. Consequentemente, os modelos atuais têm dificuldade em isolar sinais comportamentalmente relevantes do ruído neural, enquanto simultaneamente capturam como esses sinais mudam através de épocas comportamentais discretas.

Metodologia: Dinâmica Latente Compartilhada com Alternância (SSLD)
Os autores introduzem o Switching Shared Latent Dynamics (SSLD), um framework unificado que aprende uma representação latente compartilhada entre a atividade neural e o comportamento, dotando esse espaço compartilhado de uma dinâmica recorrente de alternância não linear. A arquitetura do modelo decompõe a informação em três componentes latentes:

Latente Compartilhado ( $s_t$ ): Captura a informação comum à atividade neural e ao comportamento. Ele evolui de acordo com uma Rede Neural Recorrente de Alternância (SRNN), onde um estado de alternância discreto ( $z_t$ ) seleciona um de $K$ regimes dinâmicos não lineares distintos. Este design é motivado pela hipótese de que representações neurais comportamentalmente relevantes exibem mudanças dinâmicas estruturadas através de estados comportamentais.
Latente Neural Privado ( $h^n_t$ ): Captura a variabilidade neural não explicada pelo comportamento.
Latente Comportamental Privado ( $h^b_t$ ): Captura a variabilidade comportamental não explicada pela atividade neural registrada.

Inferência e Treinamento:

Encoders: As observações neurais e comportamentais são codificadas separadamente usando encoders baseados em Transformer para representações latentes iniciais. Estas são então processadas para extrair os latentes compartilhados e privados via redes lineares.
Modelo Generativo: O latente compartilhado evolui via processo SRNN. Os sinais neurais e comportamentais observados são reconstruídos concatenando o latente compartilhado com seus respectivos latentes privados e passando-os por redes decodificadoras.
Inferência Variacional: O modelo utiliza inferência amortizada com uma posterior fatorada. Crucialmente, a rede de inferência condiciona-se a ambas as modalidades para inferir o latente compartilhado e os estados de alternância, ao contrário de SRNNs anteriores que condicionavam apenas em dados neurais.
Função de Perda: O objetivo combina um Limite Inferior de Evidência Variacional (ELBO) com dois termos de regularização:
- Supervisão Comportamental: Uma perda de entropia cruzada ( $L_{switch}$ ) incentiva os estados de alternância inferidos a se alinharem com épocas comportamentais experimentalmente definidas durante o treinamento.
- Desentranhamento: Um termo de divergência de Cauchy-Schwarz (CS) ( $L_{DT}$ ) maximiza a divergência entre a distribuição do latente compartilhado e as distribuições dos latentes privados, garantindo que as dinâmicas comportamentalmente relevantes sejam isoladas do ruído específico da modalidade.

Principais Resultados
O SSLD foi avaliado em um conjunto de dados simulados e quatro conjuntos de dados experimentais diversos abrangendo espécies (macaco, camundongo), regiões cerebrais (motor, pré-motor, somatossensorial, córtex dorsal) e modalidades de registro (eletrofisiologia, imagem de cálcio de campo amplo):

Precisão de Reconstrução: O SSLD reconstruiu com precisão tanto a atividade da população neural quanto as trajetórias comportamentais em todos os conjuntos de dados, superando os modelos de base em erro quadrático médio.
Desentranhamento: Análises de decodificação linear confirmaram que a informação comportamental estava fortemente codificada nos latentes compartilhados e comportamentais privados, mas estava amplamente ausente do latente neural privado. Isso demonstra a capacidade do modelo de separar a estrutura compartilhada comportamentalmente relevante da variabilidade específica da modalidade.
Alinhamento de Estado: Os estados discretos inferidos dentro do espaço latente compartilhado alinharam-se significativamente melhor com as épocas comportamentais reais do que os estados inferidos por bases não supervisionadas (k-means, HMM, SLDS) ou modelos supervisionados operando apenas em dados neurais. Na tarefa de alcance (reaching task), o SSLD alcançou 96% de precisão de alinhamento de estado, comparável a bases totalmente supervisionadas, mas sem exigir supervisão direta da dinâmica latente.
Interpretabilidade Dinâmica: A visualização de campos de fluxo e escores de atrator de linha revelou que o modelo aprendeu regimes dinâmicos distintos e dependentes de estado. Por exemplo, na tarefa de alcance, as dinâmicas transitaram de estados preparatórios para regimes estáveis de execução de movimento após o "sinal de partida" (go cue).
Estudos de Ablação: Remover qualquer um dos três componentes principais — aprendizado de representação compartilhada, supervisão comportamental ou dinâmica de alternância — resultou em desempenho degradado. Especificamente, métodos lineares (CCA) falharam em generalizar, e a remoção da supervisão comportamental reduziu a capacidade do modelo de capturar a estrutura compartilhada, enquanto a remoção da dinâmica de alternância reduziu a precisão do alinhamento de estado.

Significância e Alegações
O artigo afirma que o SSLD oferece uma abordagem interpretável para modelar dinâmicas compartilhadas neuro-comportamentais. Ao colocar a dinâmica de alternância especificamente dentro do subespaço latente compartilhado, o modelo foca sua inferência de estado discreto no componente da atividade neural mais diretamente ligado ao comportamento, em vez de em uma variabilidade neural arbitrária.

Os autores posicionam o SSLD como um motivo arquitetônico complementar para o campo emergente dos modelos de fundação em neurociência. Embora os modelos de fundação recentes tenham focado em escalar através de sessões e sujeitos, eles têm tratado as dinâmicas como estacionárias. O SSLD demonstra que incorporar dinâmicas de alternância em um espaço latente compartilhado fornece uma ponte principada entre a atividade neural e o comportamento, oferecendo um caminho para modelos mais interpretáveis e escaláveis que podem generalizar através de diversos conjuntos de dados neurais, regiões cerebrais e contextos comportamentais. O trabalho sugere que modelar conjuntamente a estrutura compartilhada e a dinâmica de alternância é essencial para ligar a atividade neural ao comportamento, embora os autores notem limitações em relação à dependência de priors comportamentais bem definidos e à falta de modelagem explícita para entradas externas.

Mais como este