Réduction de la dimensionnalité au-delà des sous-espaces neuronaux avec l'analyse des composantes tensorielles par tranche
Introduction : Les données d’enregistrement neuronal à grande échelle peuvent généralement être décrites par des modes d’activation neuronale coordonnée. Cependant, la vision de restreindre la variabilité de l’activité neuronale à un sous-espace de dimension fixe pourrait négliger des structures de dimension supérieure, telles que des séquences neuronales figées ou des espaces latents évoluant lentement. Cette étude considère que la variabilité liée à la tâche dans les données neuronales peut également fluctuer conjointement entre les essais ou dans le temps, définissant différentes “classes de covariabilité” qui peuvent coexister dans le même ensemble de données.
Motivation de la recherche : Les méthodes de réduction de dimension classiques (comme l’analyse en composantes principales, ACP) ne peuvent généralement capturer qu’une seule classe de covariabilité. Pour distinguer les multiples classes de covariabilité mélangées, les chercheurs ont développé une nouvelle méthode de réduction de dimension non supervisée - l’analyse en composantes tensorielles par tranches (SliceTCA).
Méthodes de recherche : SliceTCA est une nouvelle méthode de décomposition tensorielle basée sur le rang de tranche. Elle peut décomposer le tenseur de données neuronales en composantes de trois types de tranches : neurone, essai et temps, capturant respectivement différents types de covariabilité. Contrairement à d’autres méthodes de réduction de dimension, SliceTCA peut ajuster simultanément ces trois types de composantes de tranches, distinguant ainsi les multiples classes de covariabilité mélangées dans les données.
Les chercheurs ont construit des modèles jouets et des réseaux neuronaux récurrents pour valider l’avantage de SliceTCA dans la distinction des classes de covariabilité mélangées. Ils ont également proposé un pipeline normalisé pour la sélection de modèles SliceTCA, l’optimisation et la visualisation, et ont illustré l’application de SliceTCA sur trois grands ensembles de données neuronales.
Résultats de la recherche : 1. Données d’activité du cortex moteur : SliceTCA a révélé que les composantes de tranche d’essai capturent les séquences neuronales liées à la dynamique du mouvement, tandis que les composantes de tranche temporelle capturent des informations liées à la préparation du mouvement.
Données de tâche motrice chez la souris : SliceTCA a identifié des variables liées à l’état de la tâche et à la spécificité régionale, montrant des représentations neuronales plus interprétables.
Données d’enregistrement multizonales : SliceTCA a distingué les types de covariabilité entre les régions, identifiant des composantes liées aux performances d’essai, au codage de la population et aux phases de tâche.
De plus, les chercheurs ont interprété géométriquement les types de variables latentes correspondant aux différents types de tranches. Dans l’ensemble, SliceTCA a capturé davantage de structures de covariabilité liées à la tâche, permettant de représenter les données neuronales avec moins de composantes, étendant ainsi la vision classique de l’activité neuronale de population à faible dimension.
Signification : SliceTCA fournit une nouvelle méthode de réduction de dimension non supervisée capable d’identifier et de distinguer les multiples classes de covariabilité mélangées dans le même ensemble de données, révélant ainsi des structures latentes de dimension supérieure. Cette méthode peut non seulement approfondir la compréhension des mécanismes de codage neuronal, mais aussi aider à extraire des informations liées au comportement à partir de données neuronales à grande échelle. En intégrant plusieurs classes de covariabilité dans un même cadre, SliceTCA étend les points de vue classiques des variables latentes et de la covariabilité neuronale. Cette étude fournit de nouvelles bases théoriques et des outils pratiques pour extraire des informations liées au comportement à partir de données neuronales complexes.