Une nouvelle étude publiée sur arXiv montre que les approches standard pour inférer la connectivité cérébrale à partir d'enregistrements neuronaux récupèrent souvent des structures fallacieuses. Des chercheurs de l'Université de Washington et de l'Allen Institute ont développé une méthode utilisant les flux normalisants continus (CNF) et l'entropie maximale pour apprendre des distributions sur les poids de connexion qui sont maximalement non biaisées.
La Recherche
Timothy Doyeon Kim et ses collègues ont entrepris de résoudre le problème de dégénérescence dans l'inférence de la connectivité à partir d'enregistrements de population : plusieurs structures de connectivité peuvent générer des dynamiques neuronales identiques. En utilisant des réseaux neuronaux récurrents de faible rang (lrRNN), ils ont d'abord caractérisé les conditions sous lesquelles une structure de connectivité unique existe. Ensuite, ils ont construit un cadre d'inférence qui, au lieu d'estimer une seule matrice de connectivité, apprend une distribution sur les poids de connexion. Cette distribution est entraînée via le flow matching pour correspondre aux dynamiques observées tout en étant maximalement non biaisée sur les composants non identifiables. La méthode a capturé les distributions de connectivité à queue lourde trouvées dans les données empiriques. L'équipe a validé leur approche sur des ensembles de données synthétiques avec des attracteurs multistables, des cycles limites et des attracteurs en anneau, et l'a appliquée à des enregistrements du cortex frontal de rats lors de tâches de prise de décision. Le cadre déplace l'inférence de circuits de la récupération d'une matrice de connectivité à l'identification des structures de connectivité qui sont computationnellement requises.
Pourquoi C'est Important
Comprendre comment les neurones se connectent est fondamental pour expliquer la cognition. Ce travail montre que supposer un seul « diagramme de câblage » à partir d'enregistrements cérébraux peut être trompeur. En apprenant une distribution de connexions possibles, les chercheurs peuvent distinguer les caractéristiques essentielles à la fonction des artefacts d'une inférence sous-contrainte. Pour quiconque s'intéresse au fonctionnement de son cerveau, cela signifie que les futures interfaces cerveau-ordinateur et l'entraînement cognitif pourraient être basés sur des modèles plus précis du calcul neuronal.
Ce Que Vous Pouvez Faire
Restez curieux de voir comment les neuroscientifiques décodent l'activité cérébrale. Bien que vous ne puissiez pas appliquer cette méthode chez vous, vous pouvez entraîner vos propres compétences cognitives avec des puzzles et des tests basés sur des preuves. Comprenez que la connectivité de votre cerveau est dynamique et façonnée par l'expérience — s'engager dans un apprentissage nouveau peut renforcer les circuits utiles.
Source : arXiv q-bio.NC
Curieux de votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
