跳到正文
原文
bioRxiv · Neuroscience· Kralik, M., Tinelli 等 12 人
精选AI 评分65

识别异质神经数据集间对齐的张量分解

Identifying aligned tensor decompositions across heterogeneous neural datasets

预印本 · 尚未经过同行评审

AI 导读

大规模神经记录跨越多个会话、脑区和动物,神经元采样差异使共享模式难以识别。作者提出基于张量的模型 Neuralign,把记录联合对齐并分解为若干成分,每个成分对应一个共享时间模式及其在各试次和神经元上的表达,不要求匹配神经元、匹配试次或行为标签。模拟中合并记录提升了共享成分的恢复,在循环网络中能区分相关与不同的任务解法;在猕猴运动皮层中无标签成分恢复了伸够方向的环状组织,在 93 段小鼠全脑记录中发现一个成分分离出前外侧运动皮层受到抑制时的反应。

推荐理由

提出张量模型 Neuralign,无需匹配神经元、试次或行为标签即可联合对齐并分解多会话、多脑区记录,在猕猴运动皮层和 93 段小鼠全脑记录中检验。

摘要 · AI 翻译

大规模神经记录越来越多地跨越多个记录时段、脑区和动物,但神经元采样方式的差异使得识别和解释共享模式变得困难。我们提出 Neuralign,一种基于张量的模型,可联合对齐并将记录分解为若干成分,每个成分将一个共享时间模式与其在单个试次和神经元中的表达配对,且无需匹配的神经元、匹配的试次或行为标签。在模拟中,合并记录提高了对共享成分的恢复;在循环网络中,Neuralign 能够区分相关的任务解与不同的任务解。在猕猴运动皮层中,无标签成分恢复了伸够方向的环状组织。在 93 个全脑小鼠记录中,Neuralign 发现了一个单一成分,该成分分离出了对前外侧运动皮层(ALM)抑制的响应。从正确、未受抑制的试次中学到的参照揭示了错误试次中位于选择方向之外的抑制相关活动,其中以 ALM 和丘脑最为显著。Neuralign 为研究大型神经数据集的共享结构提供了一个可解释的框架,将共享模式与单个试次及所记录群体联系起来。

中文由 AI 翻译,仅供参考,以原文为准。

来源:bioRxiv · Neuroscience · biorxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。