CEBRA est une méthode innovante d'apprentissage automatique conçue pour compresser les séries temporelles, permettant ainsi de révéler des structures autrement cachées dans la variabilité des données. Cette méthode excelle particulièrement dans l'analyse simultanée de données comportementales et neurales. Par exemple, elle peut décoder l'activité du cortex visuel du cerveau de la souris pour reconstruire une vidéo visionnée. Une application notable de CEBRA-Behavior concerne les données de l'hippocampe du rat, où elle montre une erreur absolue médiane de 5 cm sur une longueur totale de piste de 160 cm. De plus, CEBRA a été appliqué avec succès au cortex visuel primaire de la souris, utilisant des enregistrements 2-photon et Neuropixels pour décoder les images vidéo avec une grande précision.
L'objectif fondamental de CEBRA est de cartographier les actions comportementales sur l'activité neuronale, un défi majeur en neurosciences. Avec l'augmentation de notre capacité à enregistrer de grandes quantités de données neurales et comportementales, il y a un intérêt croissant pour la modélisation des dynamiques neurales pendant les comportements adaptatifs. Les embeddings latents neuronaux peuvent révéler les corrélats sous-jacents du comportement, mais il manque des techniques non linéaires capables d'exploiter explicitement et de manière flexible les données comportementales et neurales conjointes pour découvrir les dynamiques neurales.
CEBRA comble cette lacune en utilisant conjointement des données comportementales et neurales de manière supervisée (hypothèse) ou auto-supervisée (découverte) pour produire des espaces latents à la fois cohérents et performants. La cohérence peut être utilisée comme une métrique pour découvrir des différences significatives, et les latents inférés peuvent être utilisés pour le décodage. CEBRA a été validé pour son exactitude et son utilité sur des ensembles de données de calcium et d'électrophysiologie, à travers des tâches sensorielles et motrices, et dans des comportements simples ou complexes à travers différentes espèces. Il permet de tirer parti de jeux de données mono et multi-sessions pour tester des hypothèses ou peut être utilisé sans étiquette. Enfin, CEBRA peut être utilisé pour la cartographie de l'espace, la découverte de caractéristiques cinématiques complexes, produit des espaces latents cohérents à travers les données 2-photon et Neuropixels, et peut fournir un décodage rapide et précis de films naturels à partir du cortex visuel.
