神经群体动力学不再依赖显式生成模型:RP-GPdyn从合成脉冲与真实记录中还原可解释潜动力学
核心概要
神经群体动力学模型通常要显式写出非线性流场、潜状态到放电的映射和观测噪声三部分,任一部分设定错误都会让潜轨迹和动力学估计偏移。RP-GPdyn把流场换成高斯过程定义的转移函数,并用识别参数化模型隐式连接潜状态与神经活动,从而绕开生成式观测模型。在合成脉冲数据、随机点运动决策仿真、小鼠前外侧运动皮层延迟期活动和Neural Latents Benchmark运动皮层数据上,它恢复了与行为相关的潜变量与动力学。
深度剖析
神经群体动力学模型可以不再显式写出从潜状态到放电的生成映射,仍能从记录中还原可解释的潜动力学。 此前的做法通常分别参数化非线性流场与随机性、潜状态到神经活动的非线性映射、以及给定潜状态时单个神经元响应的变异性,其中任一组件设定错误都会使动力学和潜轨迹的估计产生偏差。 在由潜变量Van der Pol振子生成的合成脉冲数据上,50个神经元、50个训练试次、30个留出试次,RP-GPdyn恢复了潜轨迹、动力学和相图,包括与不稳定螺旋对应的不动点;与同样使用GP转移但保留显式生成建模的SING相比,它对脉冲历史效应更稳健,动力学预测上的提升最大。
潜状态与神经活动之间的联系由识别因子承担,模型因此不需要指定脉冲计数或钙成像噪声的具体分布。 识别参数化模型用数据经验边缘分布加上可参数化的识别因子来构造联合分布,学习集中在识别因子和先验上,而不去拟合一个观测分布。 在Wang随机点运动决策网络的仿真脉冲上,模型未被告知存在左右选择性和非选择性亚群,仅用全部兴奋性神经元的群体脉冲计数,就恢复了双稳态动力学,潜状态可预测选择性兴奋性群体的瞬时放电率,并能从观测前缀预测试次选择,包括零相干和低相干错误试次。
潜动力学的可解释性通过把高斯过程流场条件化在学到的固定点和局部雅可比矩阵上保留下来。 灵活的循环网络或神经ODE动力学虽能较好预测神经活动,但其向量场、固定点和分岔结构往往需要大量事后分析。 在小鼠前外侧运动皮层ALM四个固定延迟会话的延迟期活动上,模型支持此前提出的双稳态吸引子机制,基于预测神经活动的舔向分类与SING相当;在Neural Latents Benchmark的MC_Maze数据上,用137个held-in神经元推断、对182个神经元评分,后验重建取得良好的PSTH分数,从推断状态出发的自主rollout也接近全后验重建。
启示与展望
演示范围是合成脉冲数据、Wang随机点运动决策网络仿真、小鼠前外侧运动皮层ALM延迟期记录和Neural Latents Benchmark的MC_Maze运动皮层数据;作者提出把方法用于钙成像等观测噪声更复杂的模态是后续方向。
模型假设潜动力学是自主演化的,排除了情境或感觉等外源前馈输入的影响;作者指出同时推断潜动力学与外源输入本质上是退化问题,留待后续工作。在ALM数据上,尽管提示了双稳态吸引子结构,仍有一个不动点被错误估计,且在随机种子间一致出现,作者认为数据稀少(59个神经元、163个单试次)可能使不动点发现尤为困难。
