joint behavioural and neural analysis를 위한 Learnable latent embeddings.
Abstract
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.