CEBRA ist eine innovative maschinelle Lernmethode, die speziell für die Analyse von Zeitreihendaten entwickelt wurde. Diese Methode zeichnet sich durch ihre Fähigkeit aus, Daten so zu komprimieren, dass bisher verborgene Strukturen in der Variabilität der Daten sichtbar werden. Besonders hervorzuheben ist ihre Anwendung auf Verhaltens- und neuronale Daten, die gleichzeitig aufgezeichnet wurden. Ein beeindruckendes Beispiel für die Leistungsfähigkeit von CEBRA ist die Dekodierung von Aktivitäten aus dem visuellen Kortex des Mausgehirns, um ein betrachtetes Video zu rekonstruieren.
Die Anwendung von CEBRA auf Daten aus dem Hippocampus von Ratten (Grosmark und Buzsáki, 2016) zeigt die Position/neuronale Aktivität (links), überlagert mit der durch CEBRA erhaltenen Dekodierung. Der aktuelle Punkt im Einbettungsraum wird hervorgehoben (rechts). CEBRA erreicht einen medianen absoluten Fehler von 5 cm (Gesamtstreckenlänge: 160 cm; siehe Pre-Print für Details). Das Video wird mit der doppelten Echtzeitgeschwindigkeit abgespielt.
Ein weiteres Beispiel ist die Anwendung von CEBRA auf den primären visuellen Kortex der Maus, gesammelt am Allen Institute (de Vries et al. 2020, Siegle et al. 2021). 2-Photonen- und Neuropixels-Aufnahmen werden mit CEBRA eingebettet, wobei DINO-Rahmenmerkmale als Labels verwendet werden. Die Einbettung wird verwendet, um die Videobilder mit einem kNN-Decoder auf der CEBRA-Verhaltenseinbettung aus dem Testset zu dekodieren.
Die Abbildung von Verhaltensaktionen auf neuronale Aktivität ist ein grundlegendes Ziel der Neurowissenschaften. Mit der zunehmenden Fähigkeit, große neuronale und Verhaltensdaten aufzuzeichnen, wächst das Interesse an der Modellierung neuronaler Dynamiken während adaptiver Verhaltensweisen, um neuronale Repräsentationen zu untersuchen. Insbesondere können neuronale latente Einbettungen zugrunde liegende Korrelate des Verhaltens aufdecken, doch es fehlen nichtlineare Techniken, die explizit und flexibel gemeinsame Verhaltens- und neuronale Daten nutzen können, um neuronale Dynamiken aufzudecken. Hier schließt CEBRA diese Lücke mit einer neuartigen Kodierungsmethode, die sowohl Verhaltens- als auch neuronale Daten in einer (überwachten) hypothesen- oder (selbstüberwachten) entdeckungsgetriebenen Weise verwendet, um sowohl konsistente als auch leistungsstarke latente Räume zu erzeugen.
Wir zeigen, dass Konsistenz als Metrik zur Aufdeckung bedeutungsvoller Unterschiede verwendet werden kann und die abgeleiteten Latenzen zur Dekodierung verwendet werden können. Wir validieren ihre Genauigkeit und demonstrieren den Nutzen unseres Tools für sowohl Kalzium- als auch Elektrophysiologie-Datensätze, über sensorische und motorische Aufgaben hinweg und in einfachen oder komplexen Verhaltensweisen über Arten hinweg. Es ermöglicht die Nutzung von Einzel- und Mehrsitzungsdatensätzen für Hypothesentests oder kann etikettfrei verwendet werden. Schließlich zeigen wir, dass CEBRA für die Kartierung von Raum verwendet werden kann, komplexe kinematische Merkmale aufdeckt, konsistente latente Räume über 2-Photonen- und Neuropixels-Daten erzeugt und eine schnelle, hochgenaue Dekodierung von Naturfilmen aus dem visuellen Kortex ermöglicht.
