多模式深度学习模型揭示了自由移动小鼠V1活动的行为动态
Aiwen Xu1, Yuchen Hou1, Cristopher M Niell2
1Department of Computer Science University of California, Santa Barbara Santa Barbara, CA 93117.
bioRxiv : the preprint server for biology
|July 3, 2023
概括
这项研究引入了一种新的深度学习模型,用于预测小鼠在自然行为期间的主要视觉皮层 (V1) 活动. 多模式循环神经网络集成视觉输入和行为,用于准确的V1响应预测.
科学领域:
- 计算神经科学是一种神经科学.
- 在神经科学中的机器学习
- 系统神经科学 系统神经科学
背景情况:
- 深度卷积神经网络 (CNN) 擅长模拟的视觉皮层,但与小鼠V1活动扎.
- 鼠标V1活动受到行为状态的影响,与在静态图像上训练的模型不同.
- 现有的模型往往忽略了动态的,连续的视觉输入体验自由移动的动物.
研究的目的:
- 开发一种计算模型,预测自由移动的小鼠中初级视觉皮层 (V1) 活动.
- 研究自然视觉输入和行为变量如何随着时间的推移整合而形成V1反应.
- 为理解自然行为过程中的V1计算提供深度学习框架.
主要方法:
- 引入一个多式循环神经网络 (RNN),整合视觉输入,行为数据和时间动态.
- 使用自由移动小鼠的V1活动数据进行模型的训练和验证.
- 进行广泛的废弃研究,以评估每个模型组件的贡献.
- 使用最大激活刺激和突出度图来解释模型发现的分析.
主要成果:
- 多模式RNN在小鼠的自由探索过程中实现了V1活动的最新预测.
- 除研究证实了整合视觉输入,行为状态和时间动态的重要性.
- 分析揭示了对皮质功能的见解,包括小鼠V1.1行为变量混合选择性的流行情况.
结论:
- 开发的多模式RNN提供了一个强大的框架,用于在自由移动的动物中建模V1活动.
- 该模型强调了行为状态和动态视觉输入在塑造神经反应中的关键作用.
- 这项工作推动了我们对自然主义行为期间控制V1功能的计算原理的理解.
