CEBRA

CEBRA to metoda uczenia maszynowego, która może być wykorzystana do kompresji szeregów czasowych w taki sposób, że ujawnia ukryte struktury w zmienności danych. Doskonale sprawdza się w przypadku danych behawioralnych i neuronalnych rejestrowanych jednocześnie. Może dekodować aktywność z kory wzrokowej mózgu myszy w celu rekonstrukcji oglądanego filmu. Przykład zastosowania CEBRA-Behaviour do danych hipokampa szczura (Grosmark i Buzsáki, 2016) pokazuje pozycję/aktywność neuronalną (lewa strona), nałożoną z dekodowaniem uzyskanym za pomocą CEBRA. CEBRA osiąga medianowy błąd bezwzględny 5 cm (łączna długość toru: 160 cm; szczegóły w przedruku). CEBRA zastosowane do kory wzrokowej myszy, zebrane w Allen Institute (de Vries i in., 2020, Siegle i in., 2021). Rejestracje 2-fotonowe i Neuropixels są osadzone za pomocą CEBRA przy użyciu cech ramki DINO jako etykiet. Osadzenie jest wykorzystywane do dekodowania klatek wideo za pomocą dekodera kNN na osadzeniu CEBRA-Behaviour z zestawu testowego. Mapowanie działań behawioralnych na aktywność neuronalną jest fundamentalnym celem neuronauki. W miarę jak nasza zdolność do rejestrowania dużych danych neuronalnych i behawioralnych wzrasta, rośnie zainteresowanie modelowaniem dynamiki neuronalnej podczas zachowań adaptacyjnych w celu zbadania reprezentacji neuronalnych. W szczególności, osadzenia neuronalne mogą ujawnić podstawowe korelaty zachowania, jednak brakuje nam nieliniowych technik, które mogłyby wyraźnie i elastycznie wykorzystywać dane behawioralne i neuronalne do odkrywania dynamiki neuronalnej. Tutaj wypełniamy tę lukę nową metodą kodowania, CEBRA, która wspólnie wykorzystuje dane behawioralne i neuronalne w sposób (nadzorowanym) hipotezowym lub (niesuperwizowanym) odkrywczym w celu wytworzenia zarówno spójnych, jak i wysokowydajnych przestrzeni latentnych. Pokazujemy, że spójność może być wykorzystana jako miara do odkrywania znaczących różnic, a wywnioskowane latentne mogą być wykorzystane do dekodowania. Walidujemy jej dokładność i demonstrujemy użyteczność naszego narzędzia dla zarówno danych z kalcyum jak i elektrofizjologii, w różnych zadaniach sensorycznych i motorycznych oraz w prostych lub złożonych zachowaniach w różnych gatunkach. Pozwala to na wykorzystanie danych z pojedynczych i wielosesyjnych zbiorów do testowania hipotez lub może być używane bez etykiet. Na koniec pokazujemy, że CEBRA może być wykorzystana do mapowania przestrzeni, odkrywania złożonych cech kinematycznych, wytwarza spójne przestrzenie latentne dla danych 2-fotonowych i Neuropixels oraz może zapewnić szybkie, wysokiej dokładności dekodowanie naturalnych filmów z kory wzrokowej.