切片张量分量分析:通过神经子空间捕捉高维神经活动结构
背景介绍: 大规模神经记录数据通常可以用神经元协同激活模式来描述。但是,将神经活动变异限制于固定的低维子空间的观点可能会忽略更高维的结构,例如固定的神经序列或缓慢演化的潜在空间。本研究认为,神经数据中与任务相关的可变性也可以在试次或时间上共同波动,定义不同的”协变量类”(covariability classes),这些类可能会在同一数据集中同时出现。
研究动机: 传统的降维方法(如主成分分析(PCA))通常只能捕捉单一的协变量类。为了区分混合在一起的多种协变量类,研究人员开发了一种新的无监督降维方法——切片张量分量分析(SliceTCA)。
研究方法: SliceTCA是一种新型张量分解方法,基于切片秩(slice rank)。它可以将神经数据张量分解为三种切片类型的分量:神经元切片、试次切片和时间切片分量,分别捕捉不同的协变量类型。与其他降维方法不同,SliceTCA可以同时拟合这三种切片类型的分量,从而区分混合在数据中的多种协变量类。
研究者建立了玩具模型和循环神经网络模型,验证了SliceTCA在区分混合协变量类方面的优势。他们还提出了一个标准化流程,用于SliceTCA模型选择、优化和可视化,并在三个大规模神经数据集上展示了SliceTCA的应用。
研究结果: 1. 运动皮层活动数据:SliceTCA发现试次切片分量捕捉与运动动力学相关的神经序列,而时间切片分量捕捉与运动准备相关的信息。
小鼠运动任务数据:SliceTCA识别出与任务状态和脑区特异性相关的变量,展现出更有解释力的神经表征。
多区域记录数据:SliceTCA区分了跨区域的协变量类型,识别出与试次表现、人口编码和任务阶段相关的分量。
此外,研究者从几何角度解释了不同切片类型对应的潜变量类型。总的来说,SliceTCA捕捉了更多与任务相关的协变量结构,用更少的分量就能表征神经数据,扩展了经典的低维神经群体活动观点。
意义: SliceTCA提供了一种新颖的无监督降维方法,能够识别和区分混合在同一数据集中的多种协变量类型,从而揭示高维的潜在结构。该方法不仅可深入理解神经编码机制,更有助于从大规模神经数据中发掘与行为相关的信息。通过将多种协变量类整合到同一框架内,SliceTCA扩展了经典的隐变量和神经协变量观点。该研究为从复杂神经数据中提取行为相关信息提供了新的理论基础和实用工具。