[论文解读] Comparing high-dimensional neural recordings by aligning their low-dimensional latent representations

Max Dabagia, Konrad P. Körding+1 more|arXiv (Cornell University)|May 17, 2022

Neural dynamics and brain function被引用 7

一句话总结

本文提出一种方法，通过对其低维潜在表征进行对齐，实现跨时间、个体或实验条件的高维神经记录比较，从而实现无需对应关系的比较。通过利用线性动态系统和矩阵分解等模型的共享潜在结构，该方法实现了无需相同神经元或记录的、基于数据驱动的神经群体活动比较。

ABSTRACT

Many questions in neuroscience involve understanding of the responses of large populations of neurons. However, when dealing with large-scale neural activity, interpretation becomes difficult, and comparisons between two animals, or across different time points becomes challenging. One major challenge that we face in modern neuroscience is that of correspondence, e.g. we do not record the exact same neurons at the exact same times. Without some way to link two or more datasets, comparing different collections of neural activity patterns becomes impossible. Here, we describe approaches for leveraging shared latent structure across neural recordings to tackle this correspondence challenge. We review algorithms that map two datasets into a shared space where they can be directly compared, and argue that alignment is key for comparing high-dimensional neural activities across times, subsets of neurons, and individuals.

研究动机与目标

• 解决在不同条件或个体间神经元未一致记录时比较神经记录的挑战。
• 在无需神经元间一一对应的情况下，实现高维神经活动模式的直接比较。
• 开发一种框架，用于对齐神经群体活动的潜在表征，以揭示数据集之间的共享动态。
• 通过适应神经分布随时间的变化，提升脑机接口中的神经解码性能。
• 通过一致比较潜在神经状态，促进在健康与疾病状态下电路水平变化的发现。

提出的方法

• 通过线性动态系统（LDS）或其他分解技术，使用低维潜在因子建模神经群体活动。
• 通过优化对应不变目标，对两个或更多神经记录的潜在表征进行对齐，以学习共享潜在空间。
• 利用矩阵补全和流形基模型处理神经元记录不重叠及脑区数据不完整的问题。
• 应用领域自适应和部分对齐技术，管理不同条件下神经活动分布的变化。
• 利用Procrustes分析和典型相关性等对齐度量，比较潜在空间的同时保持内在动态。
• 整合多流形模型以表示复杂、非线性的神经动态，并实现不同脑区数据的拼接。

实验结果

研究问题

• RQ1 当数据集中记录的神经元之间不存在一致对应关系时，如何比较高维神经记录？
• RQ2 何种低维潜在结构可作为跨时间、个体或实验条件比较神经活动的稳定共享表征？
• RQ3 潜在表征对齐在多大程度上可提升脑机接口中神经解码的鲁棒性？
• RQ4 当记录不完整或来自非重叠神经元群体时，如何建模和比较神经动态？
• RQ5 潜在空间对齐对检测神经疾病和神经退行性疾病中电路水平变化有何影响？

主要发现

• 潜在空间对齐使得即使在数据集中无相同神经元记录的情况下，也能实现神经记录的直接比较。
• 跨记录的共享潜在因子在时间与个体间保持稳定，支持神经动态的可靠比较。
• 该方法通过适应神经活动分布的变化而无需在新数据上重新训练，提升了神经解码的鲁棒性。
• 矩阵补全和流形基模型使得能够整合非重叠神经元群体及部分记录的数据。
• 潜在表征的对齐揭示了健康与疾病状态下神经回路变化的一致模式，开启了新的发现路径。
• 对齐方法的开源实现（如DAD、HiWA）已发布，支持可复现性并推动神经科学领域的广泛应用。