behavioural actions을 neural activity에 매핑하는 것은 neuroscience의 근본적인 목표입니다. 대규모 neural and behavioural data를 기록하는 능력이 향상됨에 따라, neural representations를 조사하기 위해 adaptive behaviours 중 neural dynamics를 모델링하는 것에 대한 관심이 증가하고 있습니다. 특히, neural latent embeddings은 행동의 근본적인 상관관계를 밝혀낼 수 있지만, joint behaviour과 신경 데이터를 명시적이고 유연하게 활용하여 neural dynamics를 밝혀낼 수 있는 nonlinear technique이 부족합니다.

이 글에서는 behavioural and neural data를 (supervised) 가설 또는 (self-supervised) 발견 중심 방식으로 공동으로 사용하여 일관성 있고 고성능의 잠재 공간을 생성하는 새로운 인코딩 방법인 CEBRA를 통해 이러한 격차를 메웁니다. 일관성을 의미 있는 차이를 발견하기 위한 지표로 사용할 수 있으며, 추론된 잠재공간을 디코딩에 사용할 수 있음을 보여줍니다. 우리는 이 도구의 정확성을 검증하고 감각 및 운동 과제, 종에 관계없이 단순하거나 복잡한 행동에서 칼슘 및 electrophysiology 데이터 세트 모두에 대한 도구의 유용성을 입증합니다. 가설 검증을 위해 단일 및 다중 세션 데이터 세트를 활용하거나 라벨 없이 사용할 수 있습니다. 마지막으로, CEBRA는 공간 매핑에 사용되어 복잡한 운동학적 특징을 발견하고, 2광자 및 Neuropixels 데이터에서 일관된 잠재 공간을 생성하며, visual cortex에서 자연스러운 비디오를 빠르고 정확하게 디코딩할 수 있다는 것을 보여줍니다.