发现模型,将神经活动与行为任务联系起来.
Jamie D Costabile1, Kaarthik A Balakrishnan1,2, Sina Schwinn1
1Department of Neuroscience, The Ohio State University College of Medicine, Columbus, United States.
eLife
|June 6, 2023
概括
研究人员开发了神经编码模型识别 (MINE),以揭示神经活动与实验任务的关系. 这种新的框架使用卷积神经网络 (CNN) 和泰勒分解来揭示隐藏的神经功能,推进神经科学研究.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 系统神经科学 系统神经科学
背景情况:
- 大脑是通过自然选择而进化的,而不是工程,这使得神经活动的直接建模具有挑战性.
- 现有的模型可能无法完全捕捉神经活动和实验条件之间的复杂关系.
研究的目的:
- 开发一个可访问的框架,神经编码模型识别 (MINE),用于发现和描述神经编码模型.
- 使用泰勒分解来解释这些模型,以了解任务特征如何映射到神经活动.
主要方法:
- 在MINE框架内利用卷积神经网络 (CNN) 来构建预测模型.
- 应用泰勒分解技术来解释复杂的CNN模型.
- 在已发表的皮质数据和斑马鱼温度调节电路实验上测试了MINE.
主要成果:
- MINE成功地通过受感场和计算复杂性来表征神经元,揭示了解剖学分离.
- 确定了一种新型的神经元类别,可以整合热传感和行为信息.
- 证明了MINE能够发现传统方法无法发现的神经元功能的能力.
结论:
- MINE提供了一种强大而可解释的方法来理解神经编码.
- 该框架推进了神经元功能的表征和发现新的神经电路原理.
- 对于分析复杂的神经数据集而言,MINE比传统的集群和回归提供了显著的改进.


