複数の相互作用ニューロン集団間のコミュニケーションの正確な特定

科学分野:

• 神経科学
• 計算神経科学
• システム神経科学

背景:

• 複数の脳領域にわたる同時ニューラル記録が可能になりました。
• 既存のモデルは、ニューロン集団に影響を与えるコミュニケーションソースを正確に区別することに苦労しています。
• この制限は、領域間のニューラルコミュニケーションの明確な理解を妨げます。

研究 の 目的:

• 新しい計算フレームワークであるマルチリージョン潜在因子解析ダイナミカルシステム（MR-LFADS）を導入すること。
• 領域間コミュニケーション、外部入力、および局所ニューラルダイナミクスを分離できるモデルを開発すること。
• 脳全体の情報処理の精度を向上させること。

主な方法:

• MR-LFADSは、マルチリージョンニューラルデータを分析するために設計されたシーケンシャル変分オートエンコーダーです。
• モデルは、ニューラル活動の時間的依存性を捉えるためにダイナミカルシステムを採用しています。
• タスクトレーニングされたマルチリージョンネットワークと大規模電気生理学的データのシミュレーションを使用して検証されています。

主要な成果:

• MR-LFADSは、既存の方法と比較して、シミュレートされたニューラルネットワーク間のコミュニケーションを特定する上で優れたパフォーマンスを示しました。
• モデルは、トレーニング中に使用されなかった摂動に対しても、実際の電気生理学的データにおける脳全体の回路摂動の影響を正確に予測することに成功しました。
• MR-LFADSは、領域間コミュニケーションや局所ダイナミクスを含む、ニューラル活動の異なる情報源を効果的に分離します。

結論:

• MR-LFADSは、複数の脳領域にわたるニューラルコミュニケーションのモデリングにおいて大きな進歩を提供します。
• モデルは、脳全体の情報処理のより正確な表現を提供します。
• MR-LFADSは、脳内のニューラル相互作用と情報フローを支配する基本原理を発見するための貴重なツールです。