O metodă geometrică de învățare profundă pentru decodarea dinamicii creierului

Creierul procesează informațiile prin dinamica populațiilor neuronale, iar studiile recente sugerează că aceste procese se desfășoară într-un spațiu de dimensiune redusă, numit varietatea neuronală. Analiza acestei dinamici este esențială pentru înțelegerea proceselor cognitive și a comportamentului, însă metodele existente nu pot surprinde complet structura temporală a activității neuronale.
În acest context, Pierre Vandergheynst, șeful Laboratorului de procesare a semnalului LTS2 din Școala de Inginerie a EPFL și fost post-doctorandul Adam Gosztolai, acum profesor asistent la Institutul AI al Universității de Medicină din Viena au dezvoltat MARBLE (MAnifold Representation Basis LEarning - Învățarea de bază a reprezentării varietății), un nou model de învățare profundă geometrică, capabil să genereze reprezentări interpretabile și decodabile ale dinamicii neuronale. MARBLE permite compararea și clasificarea activității neuronale în condiții experimentale diverse și chiar între specii, fără a necesita informații auxiliare precum date comportamentale.

Metodologie

MARBLE analizează dinamica populațiilor neuronale printr-o abordare geometrică, bazându-se pe următoarele principii:

• Reprezentarea varietății neuronale: Extrage structuri locale de flux ale activității neuronale, fără a impune constrângeri arbitrare.
• Învățare nesupervizată: Nu necesită etichetare manuală sau aliniere forțată între condiții.
• Metrică de similaritate bine definită: Permite compararea dinamicii neuronale între indivizi sau între rețele neuronale artificiale.

Pentru aceasta, MARBLE procesează ratele de descărcare neuronală și le încadrează într-un spațiu latent comun, utilizând:

• Modele de învățare profundă geometrică - pentru a învăța reprezentările dinamice.
• Analiza diferențială a varietăților - pentru a identifica relațiile dintre diferite condiții experimentale.
• Modele statistice colective - pentru a extrage caracteristici dinamice locale.

Spre deosebire de metodele clasice, MARBLE nu se bazează pe date comportamentale pentru a alinia dinamica neuronală, eliminând astfel riscul de corelații nenaturale între diferite condiții experimentale.

Rezultate

MARBLE generează reprezentări interpretabile ale activității neuronale

Pentru a valida MARBLE, cercetătorii au analizat date din două seturi de experimente:

• Activitatea cortexului premotor la macaci în timpul unei sarcini de atingere a unei ținte.
• Activitatea hipocampului la șobolani în timpul navigației spațiale.

În ambele cazuri, MARBLE a generat reprezentări latente mai clare și mai decodabile comparativ cu alte metode de învățare profundă, cum ar fi LFADS sau CEBRA.

MARBLE îmbunătățește comparabilitatea între sisteme și indivizi

O problemă majoră în analiza activității neuronale este faptul că aceeași sarcină poate fi realizată diferit de la un individ la altul. MARBLE a demonstrat capacitatea de a genera reprezentări consistente ale dinamicii neuronale între diferiți indivizi, chiar fără utilizarea datelor comportamentale.

În cazul hipocampului șobolanilor, MARBLE a reușit să extragă un spațiu latent unidimensional care corespunde poziției animalului pe pista de navigație. Acest lucru a fost realizat fără supraveghere, iar rezultatele au fost comparabile cu metodele supervizate care folosesc date comportamentale.

MARBLE permite identificarea variațiilor subtile în dinamica neuronală

MARBLE a fost utilizat pentru a analiza rețele neuronale recurente artificiale (RNNs) antrenate să rezolve o sarcină de decizie contextuală. Spre deosebire de metodele clasice de aliniere liniară a spațiilor neuronale, MARBLE a detectat variații subtile în dinamica activității rețelei, asociate cu:

• Modularea câștigului sinaptic.
• Schimbarea pragurilor decizionale.

Aceste rezultate sugerează că MARBLE poate fi un instrument valoros pentru studiul plasticității neuronale și al variabilității strategiei de rezolvare a sarcinilor.

Concluzii și implicații

• MARBLE oferă o nouă metodă de analiză a activității neuronale, bazată pe învățare profundă geometrică, fără a necesita etichetare comportamentală.
• Permite compararea activității neuronale între indivizi și specii, oferind o metrică robustă de similaritate între sistemele neuronale.
• Detectează modificări subtile în dinamica neuronală, fiind superior metodelor tradiționale de reducere a dimensiunii datelor.
• Poate fi utilizat pentru descifrarea mecanismelor neurobiologice, oferind reprezentări interpretabile și decodabile ale activității cerebrale.

MARBLE reprezintă un pas important în direcția unei mai bune înțelegeri a dinamicii neuronale, având aplicații potențiale în neuroștiințe, inteligență artificială și interfețe creier-mașină.