CEBRA: Aprendizaje de Embeddings Latentes para el Análisis Comportamental y Neural

CEBRA es un método de aprendizaje automático que permite comprimir series temporales de manera que revela estructuras ocultas en la variabilidad de los datos. Este enfoque es especialmente eficaz en datos comportamentales y neuronales registrados simultáneamente, permitiendo decodificar la actividad del córtex visual del cerebro de ratón para reconstruir un video visualizado.

Aplicaciones de CEBRA

Análisis de Datos del Hipocampo de Ratas

CEBRA ha sido aplicado a datos del hipocampo de ratas, mostrando la actividad neuronal en relación con la posición. La figura a continuación ilustra la actividad neuronal superpuesta con la decodificación obtenida por CEBRA, destacando el punto actual en el espacio de embeddings.

Decodificación en el Córtex Visual de Ratones

En experimentos realizados en el Instituto Allen, CEBRA se utilizó para incrustar grabaciones de 2-fotones y Neuropixels, utilizando características de marco DINO como etiquetas. Esta incrustación se utiliza para decodificar los marcos de video mediante un decodificador kNN en el embedding de CEBRA-Behavior del conjunto de prueba.

Resumen

El mapeo de acciones comportamentales a la actividad neural es un objetivo fundamental en la neurociencia. Con el aumento en la capacidad de grabar grandes volúmenes de datos neuronales y comportamentales, hay un creciente interés en modelar dinámicas neuronales durante comportamientos adaptativos. En particular, los embeddings latentes neuronales pueden revelar correlatos subyacentes del comportamiento. Sin embargo, carecemos de técnicas no lineales que puedan aprovechar de manera explícita y flexible los datos conjuntos de comportamiento y neural.

Método CEBRA

CEBRA aborda esta necesidad mediante un método de codificación novedoso que utiliza conjuntamente datos comportamentales y neuronales de manera supervisada o auto-supervisada para producir espacios latentes consistentes y de alto rendimiento. La consistencia se puede utilizar como una métrica para descubrir diferencias significativas, y los latentes inferidos pueden ser utilizados para la decodificación.

Validación y Utilidad

Hemos validado la precisión de CEBRA y demostrado su utilidad en conjuntos de datos de calcio y electrofisiología, abarcando tareas sensoriales y motoras, así como comportamientos simples o complejos en diversas especies. CEBRA permite aprovechar conjuntos de datos de sesiones únicas y múltiples para pruebas de hipótesis o puede ser utilizado sin etiquetas.

Características Clave

• Mapeo del espacio y descubrimiento de características cinemáticas complejas.
• Producción de espacios latentes consistentes entre datos de 2-fotones y Neuropixels.
• Decodificación rápida y de alta precisión de películas naturales desde el córtex visual.

Pre-Print

El pre-print está disponible en arxiv.

Implementación del Software

Puedes encontrar nuestra implementación oficial del algoritmo CEBRA en GitHub. ¡Mira y estrella el repositorio para recibir notificaciones sobre futuras actualizaciones y lanzamientos! También puedes seguirnos en Twitter o suscribirte a nuestra lista de correo para actualizaciones sobre el proyecto. Si estás interesado en colaboraciones, por favor contáctanos por correo electrónico.

Cita BibTeX

Por favor, cita nuestro artículo de la siguiente manera:

@article{schneider2023cebra,
  author={Schneider, Steffen and Lee, Jin Hwa and Mathis, Mackenzie Weygandt},
  title={Learnable latent embeddings for joint behavioural and neural analysis},
  journal={Nature},
  year={2023},
  month={May},
  day={03},
  issn={1476-4687},
  doi={10.1038/s41586-023-06031-6},
  url={https://doi.org/10.1038/s41586-023-06031-6}
}

Conclusión

CEBRA representa un avance significativo en el análisis conjunto de datos comportamentales y neuronales. Si estás interesado en explorar más sobre este innovador método, ¡visita nuestro repositorio de GitHub y comienza a experimentar con CEBRA hoy mismo! 🚀