通过解码小鼠的大脑信号来透视

是否有可能仅根据大脑信号完全重建某人所看到的内容?答案是否定的，现在还没有。但洛桑联邦理工学院的研究人员已经朝着这个方向迈出了重要的一步，他们引入了一种新的算法来构建人工神经网络模型，以令人印象深刻的准确性捕获大脑动力学。

植根于数学的新型机器学习算法称为CEBRA(发音为“斑马”)，并学习神经代码中的隐藏结构。

研究人员的演示很清楚。一只老鼠观看1960年代的黑白电影剪辑，一个男人跑到一辆汽车上，打开后备箱。在另一个屏幕上，人们可以看到CEBRA计算的电影重建。这部由CEBRA构建的电影几乎完全符合原版，有一些略微令人毛骨悚然的失真，就好像你刚刚在黑客帝国中看到了一个错误。

CEBRA从原始神经数据中学到的信息可以在训练后通过解码进行测试-一种用于脑机接口(BMI)的方法-他们已经证明他们可以从模型中解码鼠标在看电影时看到的内容。但CEBRA不仅限于视觉皮层神经元，甚至不仅限于大脑数据。他们的研究还表明，它可以用来预测灵长类动物手臂的运动，并重建老鼠在竞技场上自由奔跑时的位置。

“这项工作只是朝着神经技术中实现高性能BMI所需的理论支持的算法迈出的一步，”EPFL的Bertarelli综合神经科学MackenzieMathis说，该研究的PI已发表在《自然》杂志上。

为了学习小鼠视觉系统中的潜在(即隐藏)结构，CEBRA可以在绘制大脑信号和电影特征的初始训练期后直接从大脑信号中预测看不见的电影帧。

用于视频解码的数据通过华盛顿州西雅图的艾伦研究所开放访问。大脑信号可以通过插入小鼠大脑视觉皮层区域的电极探针直接测量大脑活动，或者使用光学探针获得，光学探针包括使用转基因小鼠，经过工程设计，激活的神经元发出绿色光。在训练期间，CEBRA学习将大脑活动映射到特定帧。CEBRA在视觉皮层中不到1%的神经元中表现良好，考虑到在小鼠中，这个大脑区域由大约0万个神经元组成。

“具体来说，CEBRA基于对比学习，这是一种学习如何将高维数据排列或嵌入到称为潜在空间的低维空间中的技术，以便相似的数据点靠近在一起，而更多不同的数据点更远，”Mathis解释道。

“这种嵌入可用于推断数据中隐藏的关系和结构。它使研究人员能够共同考虑神经数据和行为标签，包括测量的运动，抽象标签，如“奖励”，或感官特征，如图像的颜色或纹理。

“与其他算法相比，CEBRA在重建合成数据方面表现出色，这对于比较算法至关重要，”该论文的共同第一作者SteffenSchneider说。“它的优势还在于它能够跨模式组合数据，例如电影功能和大脑数据，并且有助于限制细微差别，例如取决于收集方式的数据变化。

“CEBRA的目标是揭示复杂系统中的结构。而且，鉴于大脑是我们宇宙中最复杂的结构，它是CEBRA的终极测试空间。它还可以让我们深入了解大脑如何处理信息，并可能成为通过结合动物甚至物种数据来发现神经科学新原理的平台，“Mathis说。

“该算法不仅限于神经科学研究，因为它可以应用于许多涉及时间或联合信息的数据集，包括动物行为和基因表达数据。因此，潜在的临床应用令人兴奋。