CEBRA representa un avance significativo en el análisis de datos neuronales y conductuales, ofreciendo una metodología innovadora para la compresión de series temporales. Este enfoque permite desvelar estructuras subyacentes en la variabilidad de los datos que, de otro modo, permanecerían ocultas. Es particularmente eficaz en el análisis conjunto de datos conductuales y neuronales, permitiendo, por ejemplo, decodificar la actividad de la corteza visual del cerebro de un ratón para reconstruir un video visto.
La aplicación de CEBRA en datos del hipocampo de ratas ha demostrado su capacidad para decodificar la actividad neural con una precisión notable, obteniendo un error absoluto medio de 5 cm en la reconstrucción de la posición. Además, su aplicación en la corteza visual primaria de ratones, utilizando datos recopilados en el Instituto Allen, ha permitido decodificar fotogramas de video con alta precisión, utilizando un decodificador kNN sobre el embedding generado por CEBRA.
CEBRA se distingue por su capacidad para producir espacios latentes consistentes y de alto rendimiento, tanto en un enfoque supervisado como en uno de descubrimiento autosupervisado. Esto lo convierte en una herramienta invaluable para la neurociencia, facilitando la prueba de hipótesis y el análisis de datos sin etiquetas. Su versatilidad se extiende a diferentes tipos de datos neuronales, incluyendo calcio y electrofisiología, y es aplicable en una variedad de tareas sensoriales y motoras, así como en comportamientos simples o complejos en diferentes especies.
El pre-print de CEBRA está disponible en arxiv.org, y su implementación oficial se puede encontrar en GitHub, donde los interesados pueden seguir el proyecto para recibir actualizaciones y nuevas versiones. Además, se invita a la comunidad científica a colaborar y a citar el trabajo de CEBRA en sus investigaciones, siguiendo las indicaciones proporcionadas en el artículo publicado en Nature.
