统一 CEBRA 跨记录学习共享神经潜变量,将单神经元贡献映射到群体编码
Unified CEBRA learns shared neural latents across recordings to map single-neuron contributions to population codes
预印本 · 尚未经过同行评审
单次记录只能采样到群体中的一部分神经元,不同记录采到的细胞不同,贡献难以直接比较。作者提出 Unified CEBRA,在训练和推断阶段都用共享标签对齐记录,把多次记录合并为包含全部记录神经元的单一模型。该方法在猴和小鼠感觉运动皮层、大鼠海马及小鼠视觉皮层中保留了可解释的任务信息;汇总小鼠视觉皮层数百次记录的数千个兴奋性和抑制性神经元后发现,对视觉特征读出贡献最大的神经元不只是调谐最强的那部分,也包括反应更可靠、与同批记录神经元耦合更弱的神经元。
提出 Unified CEBRA,用共享标签对齐跨记录神经元,把小鼠视觉皮层数百次记录中数千个兴奋与抑制神经元汇入同一模型。
神经计算被认为依赖于分布式群体;然而,大多数单次记录样本只能捕获其中的一部分,而稀有细胞类型在每个记录会话中可能仅贡献一小部分神经元。汇集大量记录可以揭示这些群体如何编码信息,但每次记录采样的神经元不同,因此它们的贡献难以直接比较。在此,我们展示通过将记录与一个共享标签对齐——该标签在训练和推断时均使用——可以把记录合并为所有已记录神经元的单一模型,从而将每个神经元对群体编码的贡献置于同一尺度上。这种方法称为 Unified CEBRA,在猴和小鼠感觉运动皮层、大鼠海马以及小鼠视觉皮层的记录中保留了可解释的任务信息。汇集来自小鼠视觉皮层数百个记录会话的数千个兴奋性和抑制性神经元后,我们发现,对模型读取视觉特征贡献最大的神经元不仅调谐最强,而且响应更可靠、与同时记录的神经元的耦合更弱。因此,Unified CEBRA 可以利用我们的新方法,从稀疏的多会话记录中揭示在群体尺度上研究的编码原理,并将特征映射到单个神经元。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org