複数の相互作用するニューラル集団間の通信の正確な識別

科学分野:

• 神経科学
• 計算神経科学
• システム神経科学

背景:

• 先進的なニューラル記録技術により 複数の脳領域で 集団の活動を同時に監視できます
• 既存のデータ駆動モデルでは,ニューラル集団に影響を与える源を正確に区別できず,地域間のコミュニケーションの研究を妨げています.

研究 の 目的:

• ニューラル通信パターンを解き放つため,ダイナミックシステムによる多領域潜伏因子分析 (MR-LFADS) という新しい計算フレームワークを導入する.
• 地域間のコミュニケーション,外部インプット,およびローカルダイナミクスを分離することによって,脳全体の情報処理のモデリングの精度を向上させる.

主な方法:

• MR-LFADSを開発し,シーケンシャル・バリエーション・オートエンコーダーモデルを開発した.
• 神経集団の活動をモデル化するためにダイナミック・システム原理を活用した.
• タスク訓練された多領域ニューラルネットワークの広範なシミュレーションを使用してモデルを検証しました.

主要な成果:

• MR-LFADSは,シミュレートされたニューラルネットワーク間の通信を特定する上で,既存の方法と比較して優れたパフォーマンスを示しました.
• このモデルは,トレーニング中に使用されていない大規模な電気生理学データに対する回路の混乱の脳全体の影響を成功裏に予測しました.

結論:

• MR-LFADSは複雑なニューラル集団動態と地域間通信を分析するための堅実なアプローチを提供します.
• このモデルは,リアルと合成ニューラルデータを用いて脳全体の情報処理の基本原理を明らかにするための貴重なツールとして機能します.