DOI: https://doi.org/10.1038/s41593-024-01626-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38710876
تاريخ النشر: 2024-05-06
المؤلف: Arthur Pellegrino وآخرون
الموضوع الرئيسي: تحليل الموتر وتطبيقاته
نظرة عامة
في الأبحاث الحديثة، تم اقتراح أن التسجيلات العصبية على نطاق واسع يمكن أن يتم وصفها بشكل فعال من خلال أنماط التفاعل المشترك بين الخلايا العصبية. ومع ذلك، قد تتجاهل الفكرة السائدة بأن التباين العصبي محصور في فضاء فرعي منخفض الأبعاد وجود هياكل أعلى أبعاد، مثل التسلسلات العصبية النمطية والمساحات الكامنة التي تتطور ببطء. تفترض هذه الدراسة أن التباين ذي الصلة بالمهمة في بيانات الأعصاب يمكن أن يظهر تذبذبات مشتركة عبر التجارب أو الزمن، مما يؤدي إلى تعريف ‘فئات التباين المشترك’ المتميزة التي يمكن أن تتواجد داخل نفس مجموعة البيانات.
لمعالجة هذه التعقيدات، يقدم المؤلفون sliceTCA (تحليل مكون التنسور الشريطي)، وهي تقنية مبتكرة غير خاضعة للإشراف لتقليل الأبعاد مصممة لتنسورات بيانات الأعصاب. من خلال تحليل ثلاث مجموعات بيانات – بما في ذلك النشاط القشري الحركي أثناء مهمة الوصول في الرئيسيات وتسجيلات متعددة المناطق في الفئران – يظهر sliceTCA القدرة على التقاط هياكل أكثر صلة بالمهمة في بيانات الأعصاب مع مكونات أقل مقارنة بالطرق التقليدية. يعزز هذا الإطار النظري الفهم التقليدي لنشاط السكان منخفض الأبعاد من خلال دمج فئات متغيرة كامنة إضافية تعكس هياكل أعلى أبعاد، مما يعترف بالطبيعة متعددة الأوجه للتباين العصبي المتأثر بتقلبات البيئة، والتغيرات المشبكية، والتعلم، وخصائص الخلايا المتنوعة.
طرق
في هذه الدراسة، لم يتم جمع بيانات أصلية؛ بدلاً من ذلك، قام المؤلفون بإجراء تحليل لثلاث مجموعات بيانات موجودة مسبقًا المشار إليها كـ [17]، [18]، و [19]. التزمت الأبحاث بالإرشادات الأخلاقية، حيث حصلت على موافقة من لجان مؤسسية مختلفة: لجنة رعاية واستخدام الحيوانات المؤسسية في جامعة ستانفورد لمجموعة البيانات 1، واللجنة الإدارية لرعاية الحيوانات المخبرية واللجنة الإدارية للسلامة البيولوجية في جامعة ستانفورد لمجموعة البيانات 2، ولجان رعاية واستخدام الحيوانات المؤسسية في مختبر كولد سبرينغ هاربور لمجموعة البيانات 3. يتم تقديم تفاصيل تجريبية إضافية في الأقسام التالية من الورقة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يبرز النتائج المهمة التي تدعم الفرضيات المطروحة في الدراسة. تشير البيانات إلى وجود ارتباط واضح بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، مثل الرسوم البيانية والمخططات، التي توضح الاتجاهات والأنماط التي لوحظت خلال التجارب. تعزز هذه المساعدات البصرية فهم النتائج وتوفر نظرة شاملة على تداعيات النتائج. بشكل عام، تدعم النتائج الإطار النظري الذي تم تأسيسه في الأقسام السابقة من الورقة، مما يساهم في تقديم رؤى قيمة في مجال الدراسة.
مناقشة
في هذا القسم، يقدم المؤلفون إطارًا جديدًا لفهم نشاط السكان العصبي من خلال عدسة فئات التباين المشترك المختلطة، والتي يجادلون بأنها ضرورية لالتقاط تعقيد الديناميات العصبية. يقدمون نموذجًا تجريبيًا للقشرة الحسية المشاركة في مهمة الذهاب/عدم الذهاب، مما يوضح أن النشاط العصبي يمكن أن يتأثر بكل من المدخلات الحسية المرتبطة بالمنبهات والإشارات التعديلية من الأعلى إلى الأسفل. يوضح هذا النموذج كيف يمكن أن تتواجد فئات مختلفة من التباين المشترك – وهي التباين العصبي، والتباين التجريبي، والتباين الزمني – وتتفاعل داخل الدوائر العصبية. يبرز المؤلفون أن الطرق التقليدية مثل تحليل المكونات الرئيسية (PCA) غير كافية لفك تشابك هذه الفئات المختلطة من التباين المشترك، حيث تلتقط عادةً فئة واحدة فقط في كل مرة.
لمعالجة هذه القيود، يقترح المؤلفون sliceTCA، وهي طريقة تحليل التنسور المصممة لتحديد وفصل فئات التباين المشترك المختلفة في نفس مجموعة البيانات في وقت واحد. يوضحون أن sliceTCA يمكن أن تلتقط مزيدًا من المعلومات الهيكلية مع مكونات أقل مقارنةً بـ PCA وتقنيات تحليل المصفوفات الأخرى. يتم التحقق من فعالية sliceTCA من خلال تطبيقها على مجموعات بيانات عصبية كبيرة متعددة، مما يكشف عن إشارات ذات صلة سلوكية متميزة مشفرة في فئات تباين مشترك مختلفة. يؤكد المؤلفون أن المعلومات ذات الصلة بالمهمة موزعة عبر هذه الفئات، مما يبرز ضرورة استخدام sliceTCA لفصل التباين المشترك لفهم أكثر دقة للتمثيلات العصبية. بالإضافة إلى ذلك، يقدمون تحليلًا شاملاً لاختيار النموذج وتحسينه، مما يضمن تطبيقًا قويًا لـ sliceTCA في الأبحاث المستقبلية.
DOI: https://doi.org/10.1038/s41593-024-01626-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38710876
Publication Date: 2024-05-06
Author(s): Arthur Pellegrino et al.
Primary Topic: Tensor decomposition and applications
Overview
In recent research, it has been suggested that large-scale neural recordings can be effectively characterized by patterns of coactivation among neurons. However, the prevailing notion that neural variability is confined to a low-dimensional subspace may neglect the presence of higher-dimensional structures, such as stereotyped neural sequences and slowly evolving latent spaces. This study posits that task-relevant variability in neural data can exhibit cofluctuations across trials or time, leading to the definition of distinct ‘covariability classes’ that can coexist within the same dataset.
To address this complexity, the authors introduce sliceTCA (slice tensor component analysis), an innovative unsupervised dimensionality reduction technique designed for neural data tensors. Through analysis of three datasets—including motor cortical activity during a reaching task in primates and multiregion recordings in mice—sliceTCA demonstrates the ability to capture more task-relevant structures in neural data with fewer components compared to traditional methods. This theoretical framework enhances the conventional understanding of low-dimensional population activity by incorporating additional latent variable classes that reflect higher-dimensional structures, thereby acknowledging the multifaceted nature of neural variability influenced by environmental fluctuations, synaptic changes, learning, and heterogeneous cellular properties.
Methods
In this study, no original data were collected; instead, the authors conducted an analysis of three pre-existing datasets referenced as [17], [18], and [19]. The research adhered to ethical guidelines, receiving approval from various institutional committees: the Institutional Animal Care and Use Committee of Stanford University for dataset 1, the Administrative Panel on Laboratory Animal Care and the Administrative Panel on Biosafety of Stanford University for dataset 2, and the Institutional Animal Care and Use Committees of Cold Spring Harbor Laboratory for dataset 3. Further experimental details are provided in subsequent sections of the paper.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. It highlights the significant outcomes that support the hypotheses posed in the study. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the section includes graphical representations of the data, such as plots and charts, which illustrate trends and patterns observed during the experiments. These visual aids enhance the understanding of the results and provide a comprehensive overview of the implications of the findings. Overall, the results substantiate the theoretical framework established in the earlier sections of the paper, contributing valuable insights to the field of study.
Discussion
In this section, the authors present a novel framework for understanding neural population activity through the lens of mixed covariability classes, which they argue is essential for capturing the complexity of neural dynamics. They introduce a toy model of the sensory cortex engaged in a go/no-go task, demonstrating that neural activity can be influenced by both stimulus-locked sensory inputs and top-down modulatory signals. This model illustrates how different classes of covariability—namely, neural covariability, trial covariability, and temporal covariability—can coexist and interact within neural circuits. The authors highlight that traditional methods like Principal Component Analysis (PCA) are insufficient for disentangling these mixed covariability classes, as they typically capture only a single class at a time.
To address this limitation, the authors propose sliceTCA, a tensor decomposition method designed to simultaneously identify and separate different covariability classes within the same dataset. They demonstrate that sliceTCA can capture more structural information with fewer components compared to PCA and other matrix factorization techniques. The effectiveness of sliceTCA is validated through its application to various large-scale neural datasets, revealing distinct behaviorally relevant signals encoded in different covariability classes. The authors emphasize that task-relevant information is distributed across these classes, underscoring the necessity of using sliceTCA to demix covariability for a more nuanced understanding of neural representations. Additionally, they provide a comprehensive analysis pipeline for model selection and optimization, ensuring robust application of sliceTCA in future research.