对神经数据的信息理论分析,以尽量减少研究人员在预测编码研究中的假设的影响
Patricia Wollstadt1, Daniel L Rathbun2,3, W Martin Usrey2,4
1MEG Unit, Brain Imaging Center, Goethe University, Frankfurt/Main, Germany.
PLoS computational biology
|November 17, 2023
概括
研究人员开发了一种使用局部信息理论分析神经处理策略的新方法,比如预测编码. 他们的研究结果表明,猫的视网膜原体突触优先考虑可预测的输入,而不是预测错误,有利于自下而上的信息传输.
科学领域:
- 神经科学是一个神经科学.
- 信息理论 信息理论
- 计算神经科学是一种神经科学.
背景情况:
- 神经信息处理研究通常在确定处理策略及其神经相关物时面临循环分析.
- 预测编码模型是一个关键的例子,但如果不知道确切的预测,确定预测是否传输或错误是具有挑战性的.
- 现有的方法很难从神经数据中直接估计信息处理策略.
研究的目的:
- 提出一种新的框架,用局部信息理论量来表达信息处理策略.
- 为了从神经数据中直接估计这些策略,绕过循环分析.
- 调查两个对立的预测编码类策略,并确定哪一个被神经系统使用.
主要方法:
- 开发了一种方法来量化预测编码的构建块:输入可预测性 (局部主动信息存储) 和信息传输 (局部传输).
- 根据这些信息理论量之间的关系,定义了可测试的假设.
- 将局部信息动态框架应用于来自猫视网膜原蛋白突触 (N=16) 的数据.
- 利用部分信息分解来区分信息传输途径 (自下而上与条件).
主要成果:
- 发现猫的视网膜突触编码可预测的输入,而不是令人惊的输入 (预测错误).
- 突触优先转移自下而上的感觉信息,支持本地信息理论的发现.
- 拟议的框架成功地确定了采用的类似编码的预测策略.
结论:
- 局部信息动态框架为直接从神经数据中分析神经信息处理策略提供了强大的方法.
- 视网膜原体突触显示出对处理可预测信息的偏好,并利用自下而上的信息传输.
- 这种方法为神经编码和预测处理研究中的循环分析问题提供了解决方案.
