准确识别多个相互作用的神经群体之间的通信

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:

• 现在可以在多个大脑区域同时进行神经记录.
• 现有的模型很难准确地区分影响神经群体的通信源.
• 这种局限性阻碍了对区域间神经通信的清晰理解.

研究的目的:

• 通过动态系统 (MR-LFADS) 引入一种新的计算框架,即多区域潜伏因子分析.
• 开发一种能够解开区域间通信,外部输入和局部神经动态的模型.
• 为了提高对整个大脑信息处理的建模准确度.

主要方法:

• MR-LFADS 是一个序列变异自编码器,旨在分析多区域神经数据.
• 该模型使用动态系统来捕捉神经活动中的时间依赖.
• 它使用任务训练的多区域网络和大规模电生理学数据的模拟进行验证.

主要成果:

• 与现有方法相比,MR-LFADS在模拟神经网络中识别通信方面表现出卓越的性能.
• 该模型成功地预测了电路扰动在真实电生理学数据中的大脑范围的影响,即使对于在训练中不使用的扰动.
• MR-LFADS有效地解开神经活动的不同来源,包括区域间通信和局部动态.

结论:

• 在模拟跨多个大脑区域的神经通信方面,MR-LFADS提供了显著的进步.
• 该模型提供了更准确的脑部信息处理的表现.
• MR-LFADS是揭示神经相互作用和大脑信息流动的基本原则的宝贵工具.