Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
本文介绍了切换共享潜动力学（Switching Shared Latent Dynamics, SSLD），这是一个统一的框架，通过学习具有非线性切换动力学的可解释共享潜空间，在同时建模高维神经活动与行为之间关系的同时，隔离不同实验数据集中的模态特定变异性。
原始论文采用 CC BY 4.0 许可（https://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
大脑是一个庞大且嘈杂的机器。在任何给定时刻，数以十亿计的神经元都在进行复杂的放电，产生一种看起来像无线电静电噪声的信号。然而，在这种混沌之中，特定的细胞群正在协同工作，驱动着我们的运动、决策和感知。几十年来，科学家们一直试图寻找那条将这种神经噪声与动物清晰、可观察的行为联系起来的隐藏线索。挑战在于，大脑不仅仅是对行为做出反应；它还会产生与其当前行为无关的内部节律和波动。为了理解大脑如何控制行为，研究人员必须首先将有意义的信号从无意义的噪声中分离出来。他们需要找到一种连接大脑与身体的共同语言，并理解这种语言在动物从一种状态（如休息）转变为另一种状态（如伸手抓取目标）时是如何变化的。
耶鲁大学和加州大学洛杉矶分校的一组研究人员开发了一种解决这一问题的新方法，称为“切换共享潜在动力学”（Switching Shared Latent Dynamics）。想象一下，你正试图通过一段混杂着街头嘈杂声的录音来理解两个人的对话。这种新方法就像一个精密的过滤器，可以将两个说话者的声音从街道噪音中分离出来，同时还能追踪他们的对话是如何随着话题的变化而转变的。在这种情况下，“说话者”是大脑的神经活动和动物的行为，而“街头噪音”则是与当前任务无关的大脑内部活动。研究人员构建了一个计算机模型，该模型能够学习识别大脑中与动物正在做的事情直接相关的特定模式，同时忽略其余部分。至关重要的是，该模型识别出这些模式并非一成不变；它们会在不同的模式之间切换，就像汽车换挡一样，取决于动物是在准备移动、执行动作还是处于休息状态。
研究人员在四组非常不同的数据上测试了这种方法，以验证其在现实世界中的有效性。他们首先从一个已知精确答案的计算机模拟开始，模型成功恢复了隐藏的模式以及系统发生模式切换的时刻。随后，他们转向了涉及猴子的真实实验。在其中一个实验中，猴子向二十七个不同的方向伸手抓取目标。模型分析了猴子在移动双手时，运动皮层和前运动皮层中180个神经元的电活动。研究发现，关于手部运动的信息集中在大脑活动的一个特定部分，即模型识别出的大脑与身体之间的“共享”部分。而大脑活动的其余部分——模型将其标记为神经元的“私有”部分——则包含了无法预测手部运动的复杂模式。这证实了该模型可以成功地将驱动行为的信号从大脑的内部杂讯中分离出来。
在第二个猴子实验中，动物执行了一项任务，即需要对抗某种力量，这种情况既涉及主动运动也涉及被动阻力。该模型再次取得了成功，识别出了与任务阶段相匹配的截然不同的活动时期，例如在猴子移动之前和猴子发力推动时的时刻。研究人员发现，与那些试图在不知道行为信息的情况下寻找模式的旧方法，或者将大脑活动视为单一、不变流动的旧方法相比，该模型识别这些切换的能力要优越得多。通过明确教导模型去寻找共享大脑活动中的这些切换点，它能够精准定位大脑策略随动物动作而发生改变的准确时刻。
研究团队并未止步于猴子。他们将同样的方法应用于小鼠，使用的是一种能够捕捉整个大脑顶表层活动的记录类型。在其中一组实验中，小鼠自主决定执行一项任务；而在另一组实验中，小鼠只是在没有特定目标的情况下自由移动。即使在这些更复杂且受控程度较低的情况下，该模型依然有效。它高精度地重建了神经活动和小鼠的运动。它识别出大脑活动的共享部分包含了关于小鼠正在做什么的信息，而私有部分则持有大脑活动的其余部分。当小鼠做出决策时，模型检测到了大脑动力学中的一个特定转变，这对应于小鼠在行动前开始积累信息的时刻。
结果表明，大脑并非以单一、稳定的状态运行。相反，控制行为的大脑部分似乎会在不同的运作模式之间跳转，每种模式都适用于任务的特定阶段。新模型为这些转变提供了一个清晰的窗口。它表明，当研究人员试图理解大脑如何控制行为时，必须寻找这些共享信号中的离散变化，而不是假设大脑活动是平滑、连续的流动。这项研究还强调，在分析大脑时忽略行为会导致清晰度的丧失；通过将行为纳入学习过程，模型可以更好地识别哪些部分的大脑实际上在执行控制身体的工作。这种方法提供了一种更具解释性的研究大脑的方式，超越了对活动的简单描述，迈向了对神经回路如何重新组织自身以产生自然界中丰富的行为多样性的更深层次理解。
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。