QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex
本文介绍了 QuantFormer，这是一种新颖的基于 Transformer 的模型，它通过动态信号量化和神经元特定标记将神经活动预测重新定义为一个分类问题，在预测小鼠视觉皮层动力学（基于双光子钙成像数据）方面达到了最先进的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
大脑是一个由数十亿个细胞组成的庞大且嗡嗡作响的网络，每个细胞都以复杂的节奏进行放电，从而创造出思想、运动和感觉。为了理解这台机器是如何运作的，科学家经常观察这些细胞的活动，使用特殊的显微镜来观察它们何时因化学信号而闪烁。这种活动并非持续不断的；它以突然且稀疏的爆发形式出现，就像一座城市，大部分灯光都是熄灭的，只有在发生某些有趣的事情时，特定的窗口才会精准地闪烁。几十年来，研究人员一直试图建立能够预测这些闪烁的计算机模型，希望有一天能预判大脑接下来的动作。这是一项艰巨的任务，因为信号是杂乱的，模式是转瞬即逝的，而且涉及的细胞数量之多使得数据变得极其庞大。如果科学家能够可靠地预报这些神经火花，他们就能设计出可以实时调整的实验，或许能帮助恢复功能或深化我们对行为的理解。
一支研究团队现在为这个问题引入了一种新方法，创建了一个名为 QuantFormer 的系统。该团队并没有试图预测每一时刻信号的精确亮度（这就像试图每秒钟测量房间的精确温度一样），而是决定以不同的方式处理这个问题。他们意识到，由于神经活动具有高度稀疏性，思考一个细胞是活跃还是不活跃，通常比尝试测量其发光的精确程度更有用。为此，他们构建了一个计算机模型，学习将连续流动的神经数据转化为一组离散的、不连续的步骤。想象一下将一条平滑流动的河流用一系列踏脚石进行标记；该模型学习从一块石头跳到下一块石头，有效地将对连续信号的预测转变为一场选择正确石头的游戏。这种转变使计算机能够专注于最重要的时刻——即实际的活动闪烁——而不是迷失在安静的背景噪声中。
研究人员使用来自小鼠视觉皮层（大脑中处理动物视觉信息的区域）的大规模数据集训练了这个模型。他们向小鼠展示各种图像，从移动的条纹到自然场景，并记录了数千个单独神经元是如何做出反应的。模型首先被教导去填补这些记录中的缺失部分，这一过程迫使它学习神经元随时间变化的底层规则。至关重要的是，该系统被设计为可以同时处理任意数量的神经元。通过给每个神经元一个唯一的数字标签，模型可以学习组内每个细胞的特定习惯，无论正在观察多少个细胞。这种灵活性是向前迈出的重要一步，因为以往的方法在细胞数量发生变化或尝试同时分析大量细胞时往往表现不佳。
在测试中，这个新模型在预测神经元如何对视觉刺激做出反应方面表现得非常出色。它在捕捉神经反应的时机和形状方面优于现有方法，特别是定义大脑处理信息方式的那些尖锐且突然的活动爆发。该模型预测这些模式的准确度表明，它已经学习到了神经回路的真实动力学，而不仅仅是记住了平均行为。研究人员还发现，该模型具有良好的泛化能力，这意味着它在不同的老鼠以及不同的图像类型（甚至是训练期间未见过的图像）上都能有效工作。这表明该系统已经学习到了一种适用于不同个体和情境的神经活动基本语言。
然而，作者谨慎地指出，他们的模型能做什么以及不能做什么。虽然它擅长预测神经元的化学闪烁，但它并不直接预测导致那种闪烁的电脉冲。两者之间的关系很复杂，目前该模型最好被理解为一种用于预测可见荧光信号的工具，而非底层的电活动事件。尽管存在这一局限性，这项工作仍代表了向创建神经科学基础工具迈出的重大飞跃。通过成功地将一个困难的预测问题重新构架为一个更易处理的分类任务，研究人员为未来能够帮助科学家实时与大脑进行交互的系统铺平了道路，为理解思维运作方式以及如何帮助受损思维打开了新的大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。