[论文解读] Quantifying how much sensory information in a neural code is relevant for behavior

Giuseppe Pica, Eugenio Piasini+7 more|arXiv (Cornell University)|Dec 6, 2017

Neural dynamics and brain function参考文献 40被引用 33

一句话总结

本文提出了一种新颖的信息论度量 $I_{\text{II}}(S;R;C)$，用于量化在感知辨别任务中，神经反应 $R$ 所编码的感官信息中有多少实际上被用于行为选择 $C$。通过利用部分信息分解（PID），该方法分离出感官编码与行为读出之间的交集，从而能够直接比较不同神经编码特征（例如动作电位发放率与时间）在行为相关性方面的表现。

ABSTRACT

Determining how much of the sensory information carried by a neural code contributes to behavioral performance is key to understand sensory function and neural information flow. However, there are as yet no analytical tools to compute this information that lies at the intersection between sensory coding and behavioral readout. Here we develop a novel measure, termed the information-theoretic intersection information $I_{II}(S;R;C)$, that quantifies how much of the sensory information carried by a neural response R is used for behavior during perceptual discrimination tasks. Building on the Partial Information Decomposition framework, we define $I_{II}(S;R;C)$ as the part of the mutual information between the stimulus S and the response R that also informs the consequent behavioral choice C. We compute $I_{II}(S;R;C)$ in the analysis of two experimental cortical datasets, to show how this measure can be used to compare quantitatively the contributions of spike timing and spike rates to task performance, and to identify brain areas or neural populations that specifically transform sensory information into choice.

研究动机与目标

• 为解决长期存在的疑问：即在神经编码中，哪些感官信息实际上被用于行为，而非仅仅被编码。
• 克服以往方法依赖解码算法或试次平均性能的局限性，这些方法可能无法反映单次试验中的神经-行为关系。
• 开发一种正式的信息论度量，以捕捉单次试验水平上感官编码与行为读出之间的交集。
• 实现对不同神经编码特征（例如动作电位时间与发放率）在任务表现中贡献程度的定量比较。
• 识别那些特别负责将感官输入转化为行为输出的脑区或神经元群体。

提出的方法

• 作者将 $I_{\text{II}}(S;R;C)$ 定义为刺激 $S$ 与神经反应 $R$ 之间共享的冗余信息，且该信息也与行为选择 $C$ 相关，基于部分信息分解（PID）框架。
• 该度量源自多变量信息分解，分离出 $I(S;R)$ 中同时与 $I(R;C)$ 共享的部分，代表用于行为的感官信息。
• 该方法基于单次试验数据运行，避免了对解码算法或试次平均的假设，且对模型特定偏差具有鲁棒性。
• 该方法使用 $S$、$R$ 和 $C$ 的经验联合概率分布，通过 PID 分解计算 $I_{\text{II}}(S;R;C)$，确保与信息论的正式一致性。
• 该框架在模拟数据以及两个真实的皮层数据集（来自感知辨别任务）上得到验证。
• 该方法可将信息分解为唯一、冗余和协同成分，其中 $I_{\text{II}}$ 专门捕捉与行为相关的感官信息。

实验结果

研究问题

• RQ1 在感知任务中，神经反应所编码的感官信息中有多少实际上被大脑用于指导行为选择？
• RQ2 哪些神经编码特征——如动作电位时间或发放率——携带了最多的与行为相关联的感官信息？
• RQ3 我们能否在不依赖特定解码算法或试次平均性能的情况下，量化感官编码与行为读出之间的交集？
• RQ4 哪些脑区或神经元群体最参与将感官输入转化为行为输出的过程？
• RQ5 该度量是否可推广至单选任务之外的神经网络中的信息流映射？

主要发现

• 所提出的 $I_{\text{II}}(S;R;C)$ 度量成功分离出神经反应中与行为功能相关联的感官信息部分，实现了以比特为单位的直接、单次试验量化。
• 在皮层数据集中，$I_{\text{II}}(S;R;C)$ 揭示了在某些脑区中，动作电位时间所携带的行为相关信息显著多于发放率。
• 该度量使得神经编码可被定量重新定义为：承载用于任务表现的感官信息的特征集合，而非仅信息丰富的特征。
• 该方法识别出躯体感觉皮层和听觉皮层中的特定神经元群体，是将感官输入转化为行为输出的关键区域。
• 该框架对模型假设具有鲁棒性，并且在捕捉完整统计依赖性方面优于传统基于解码的方法，无需显式解码过程。
• 该度量可扩展至网络层面分析，例如量化多通道系统中特定神经通路的信息流。