Les avancées dans l'analyse conjointe du comportement et des données neuronales : CEBRA
Introduction
L'étude des actions comportementales et de l'activité neuronale est un objectif fondamental des neurosciences. Steffen Schneider, Jin Hwa Lee et Mackenzie Weygandt Mathis ont développé une nouvelle méthode d'encodage, appelée CEBRA (Consistent Embeddings for Behavioural and neural Recordings Analysis), qui utilise conjointement des données comportementales et neuronales pour produire des espaces latents cohérents et performants. Cette méthode a été validée avec précision et démontre son utilité pour différents types de données, tâches sensorielles et motrices, et comportements simples ou complexes à travers différentes espèces.
CEBRA : une méthode d'apprentissage autonome pour des représentations cohérentes et interprétables
CEBRA est un algorithme d'apprentissage non supervisé qui génère des représentations cohérentes et interprétables d'enregistrements de grande dimension en utilisant des variables auxiliaires. Cette méthode combine des idées provenant de l'analyse en composantes indépendantes non linéaires (ICA) avec un apprentissage contrasté pour créer des espaces d'incorporation latents conditionnés par le comportement et/ou le temps.
L'algorithme CEBRA optimise les réseaux de neurones qui cartographient l'activité neuronale dans un espace d'incorporation d'une dimension définie. Les paires de données sont ensuite mappées dans cet espace d'incorporation et comparées à l'aide d'une mesure de similarité.
Applications et résultats
CEBRA a été testée et comparée à d'autres algorithmes tels que t-SNE, UMAP, autoLFADS et pi-VAE. Les résultats montrent que CEBRA surpasse significativement ces algorithmes dans la reconstruction de données synthétiques et la production d'espaces d'incorporation cohérents.
L'algorithme a également été testé sur un jeu de données provenant de l'hippocampe, montrant des résultats prometteurs en termes de cohérence et d'informations visuelles. CEBRA a également prouvé son efficacité pour générer des espaces d'incorporation latents cohérents et interprétables à travers différentes espèces et modalités d'enregistrement.
Analyse guidée par hypothèse et analyse guidée par découverte
L'un des avantages de CEBRA est sa flexibilité, ses hypothèses limitées et sa capacité à tester des hypothèses. Par exemple, pour l'hippocampe, on peut supposer que les neurones représentent l'espace. Ainsi, le label comportemental pourrait être la position ou la vitesse. En revanche, on pourrait aussi formuler une hypothèse alternative selon laquelle l'hippocampe ne cartographie pas l'espace, mais simplement la direction du déplacement ou une autre caractéristique. CEBRA permet d'utiliser des approches supervisées, non supervisées ou hybrides pour analyser les données.
Découverte d'espaces latents exploitables grâce à CEBRA dans l'analyse comportementale et neuronale
Learnable latent embeddings for joint behavioural and neural analysis est une étude récente réalisée par Steffen Schneider, Jin Hwa Lee et Mackenzie Mathis de l'EPFL. Dans cette étude, ils présentent une méthode d'apprentissage automatique appelée CEBRA, qui permet de compresser des séries temporelles pour révéler des structures cachées dans la variabilité des données. Cette méthode est particulièrement performante lorsqu'elle est appliquée à des données comportementales et neuronales enregistrées simultanément.
CEBRA : une méthode performante pour décoder l'activité du cortex visuel
L'équipe de chercheurs a utilisé CEBRA pour décoder l'activité du cortex visuel primaire de souris et reconstruire une vidéo visionnée. Ils ont également appliqué CEBRA-Behavior aux données de l'hippocampe de rats, montrant ainsi la position et l'activité neuronale, et ont obtenu une erreur médiane absolue de 5 cm (pour une longueur de piste totale de 160 cm). La vidéo est jouée à une vitesse deux fois supérieure à la vitesse réelle.
Résumé de l'étude
L'objectif principal de cette étude est de cartographier les actions comportementales sur l'activité neuronale. Les chercheurs ont développé CEBRA, une méthode d'encodage innovante qui utilise conjointement les données comportementales et neuronales de manière supervisée ou auto-supervisée pour produire des espaces latents à la fois cohérents et performants.
Ils ont montré que la cohérence peut être utilisée comme un critère pour découvrir des différences significatives, et que les espaces latents inférés peuvent être utilisés pour le décodage. L'outil a été validé sur des ensembles de données de calcium et d'électrophysiologie, sur des tâches sensorielles et motrices, et sur des comportements simples ou complexes chez différentes espèces. CEBRA permet d'utiliser des ensembles de données de sessions uniques et multi-sessions pour des tests d'hypothèse ou sans étiquette.
Enfin, les chercheurs ont démontré que CEBRA peut être utilisé pour la cartographie de l'espace, la découverte de caractéristiques cinématiques complexes, la production d'espaces latents cohérents entre les données 2-photon et Neuropixels, et pour fournir un décodage rapide et précis des films naturels à partir du cortex visuel.
Informations supplémentaires
Le pré-print de l'étude est disponible sur arxiv à l'adresse suivante : arxiv.org/abs/2204.00673.
Le code source officiel de l'algorithme CEBRA est disponible sur GitHub. Vous pouvez suivre les chercheurs sur Twitter ou vous abonner à leur liste de diffusion pour recevoir des mises à jour sur le projet. Si vous êtes intéressé par des collaborations, n'hésitez pas à les contacter par e-mail.
Source : Nature
