認知タスク中の異質な神経応答からの潜在回路推論
認知タスクにおける異種の神経応答からの潜在回路推論
学術的背景
認知タスクにおいて、脳の高次皮質領域（例えば前頭前野皮質、prefrontal cortex, PFC）は、多様な感覚、認知、運動信号を統合します。しかし、個々のニューロンの応答はしばしば複雑で異種性（heterogeneity）を示します。つまり、それらは同時に複数のタスク変数に反応します。この異種性により、研究者は神経活動から行動を駆動する神経回路メカニズムを直接推測することが困難になります。従来の次元削減手法（dimensionality reduction methods）は、神経活動とタスク変数間の相関に依存していますが、これらの異種応答の背後にある神経回路接続を明らかにすることはできません。
この問題を解決するために、Christopher LangdonとTatiana A. Engelは新しい次元削減方法——潜在回路モデル（Latent Circuit Model）を開発しました。このモデルは、低次元の再帰接続（recurrent connectivity）を使用してタスク変数間の相互作用をシミュレートし、行動出力を生成します。このモデルを通じて、研究者は高次元の神経応答データから低次元の神経回路メカニズムを推測でき、認知タスクにおける計算プロセスを明らかにすることができます。
論文の出典
この論文はChristopher LangdonとTatiana A. Engelによって共同執筆され、それぞれPrinceton Neuroscience Institute, Princeton UniversityおよびCold Spring Harbor Laboratoryに所属しています。論文は2025年にNature Neuroscience誌に「Latent circuit inference from heterogeneous neural responses during cognitive tasks」というタイトルで発表されました。
研究の流れと結果
1. 潜在回路モデルの開発
著者らはまず、潜在回路モデルを開発しました。このモデルは、低次元の再帰接続を使用してタスク変数間の相互作用をシミュレートします。モデルの中核となるアイデアは、高次元の神経応答データを低次元の潜在空間にマッピングし、低次元のニューラルネットワークを使用して行動出力を生成することです。具体的には、モデルのダイナミクス方程式は以下の通りです： $$ \dot{x} = -x + f(W{rec}x + W{in}u) $$ ここで、(x)は潜在変数、(W{rec})は再帰接続行列、(W{in})は入力接続行列、(u)はタスク入力、(f)は活性化関数です。
2. モデルのRNNへの適用
潜在回路モデルの有効性を検証するために、著者らはそれを訓練済みのリカレントニューラルネットワーク（Recurrent Neural Network, RNN）に適用しました。このRNNは、文脈依存の意思決定タスク（context-dependent decision-making task）を実行するために訓練されていました。このタスクでは、RNNは文脈手掛かりに基づいて選択的に感覚入力を処理する必要があります。潜在回路モデルを通じて、著者らは抑制メカニズムを発見しました。これは、文脈表現が無関係な感覚応答を抑制するというものです。このメカニズムは、以前の手作業による神経回路モデルの仮定と一致していました。
3. モデルの検証
潜在回路モデルによって推論されたメカニズムを検証するために、著者らはRNNの接続に対してパターン化された摂動（patterned perturbations）を行い、その行動への影響を観察しました。その結果、これらの摂動が行動に与える影響は潜在回路モデルの予測と一致しており、推論された抑制メカニズムをさらに裏付けました。さらに、著者らは同じタスクを実行しているサルの前頭前野皮質の神経記録でも同様の抑制メカニズムを発見しました。
4. 回帰モデルとの比較
著者らはまた、潜在回路モデルと従来の回帰モデル（regression models）の結果を比較しました。回帰モデルは、タスク変数と最も相関性の高い低次元投影を見つけることで神経応答を分析しますが、タスク変数間の相互作用を考慮しません。その結果、回帰モデルは潜在回路モデルで発見された抑制メカニズムを明らかにできず、タスク変数間の相互作用を無視すると神経計算の誤解につながる可能性があることが示されました。
結論と意義
この研究では、潜在回路モデルを開発することで、高次元の神経応答データから低次元の神経回路メカニズムを成功裏に推測しました。このモデルは、異種の神経応答の起源を説明するだけでなく、認知タスクにおける計算プロセスも明らかにしました。さらに、この研究は、高次元ネットワークにおいても低次元の神経回路メカニズムが行動を駆動できることを証明しました。この発見は、脳内の認知機能を理解するための新しい視点を提供し、将来の神経回路研究に強力なツールを提供します。
研究のハイライト
- 新しいモデルの開発：潜在回路モデルは、低次元の神経回路メカニズムと高次元の神経応答データを初めて組み合わせ、従来の次元削減手法と神経回路メカニズムの間のギャップを埋めました。
- 抑制メカニズムの発見：モデル推論を通じて、著者らは文脈表現が無関係な感覚応答を抑制するというメカニズムを発見しました。このメカニズムは、RNNおよびサルの前頭前野皮質の両方で確認されました。
- 従来のモデルとの比較：研究は、回帰モデルとの比較を通じてタスク変数間の相互作用の重要性を強調し、今後の神経計算研究に新しい方向性を提供しました。
その他の有益な情報
この研究では、推論された神経回路メカニズムを検証するための摂動実験の方法も示され、将来の神経回路研究に実践的な方法を提供しました。さらに、研究結果は、高次元ネットワークにおける低次元メカニズムが古典的な小規模な神経回路モデルと類似している可能性があることを示しており、これにより複雑な神経計算の理解に新たな視点を提供しました。