Uma estrutura baseada em redes neurais recorrentes para modelar não linearmente dinâmicas neurais comportamentalmente relevantes

Um objetivo principal de vários estudos de neurociência é compreender e modelar como a dinâmica de populações distintas de neurônios dá origem a comportamentos humanos e animais específicos. Muitos métodos existentes para explorar a ligação entre a atividade neural e o comportamento baseiam-se na análise de imagens estáticas e varreduras cerebrais, em oposição à evolução dinâmica da atividade neuronal ao longo do tempo.

Modelos dinâmicos, abordagens matemáticas ou computacionais para descrever a evolução de um sistema ao longo do tempo fornecem uma alternativa valiosa a estes métodos. A maioria dos modelos dinâmicos introduzidos no passado eram lineares, o que significa que presumiam que as mudanças na atividade neural seguiriam uma estrutura simples.

Embora os modelos lineares tendam a ser mais fáceis de implementar e interpretar, muitas vezes eles não conseguem capturar com precisão dinâmicas neurais complexas. Isto motivou alguns neurocientistas e cientistas da computação a desenvolver outros modelos dinâmicos que possam descrever diferentes tipos de linearidade e dinâmica não linear.

Pesquisadores da Universidade do Sul da Califórnia e da Universidade da Pensilvânia introduziram recentemente uma nova estrutura de modelagem dinâmica não linear baseada em redes neurais recorrentes (RNNs) que aborda algumas das limitações dos modelos dinâmicos para pesquisas em neurociência introduzidos no passado. Este novo quadro, delineado num artigo publicado em Neurociência da Naturezapode ser usado para modelar dinâmicas comportamentais relevantes e outras dinâmicas neurais, mas dissocia as duas e prioriza dinâmicas que estão ligadas ao comportamento.

“Compreender a transformação dinâmica da atividade neural em comportamento requer novas capacidades para modelar de forma não linear, dissociar e priorizar dinâmicas neurais comportamentais relevantes e testar hipóteses sobre a origem da não linearidade”, escreveram Omid G. Sani, Bijan Pesaran e Maryam M. Shanechi em seu artigo. . “Apresentamos análise dissociativa priorizada de dinâmica (DPAD), uma abordagem de modelagem dinâmica não linear que permite esses recursos com uma arquitetura de rede neural multisseção e abordagem de treinamento.”

Os pesquisadores treinaram seu modelo baseado em RNN usando um algoritmo de otimização de quatro etapas. Este algoritmo permite que o modelo priorize a aprendizagem de estados latentes comportamentalmente relevantes, ao mesmo tempo que aprende qualquer dinâmica neural remanescente.

Para demonstrar o potencial de sua estrutura de modelagem dinâmica não linear, os pesquisadores a aplicaram a cinco problemas distintos de neurociência. Eles o usaram especificamente para analisar e modelar a dinâmica neural em conjuntos de dados contendo registros da atividade neuronal nos cérebros de primatas não humanos enquanto eles completavam diferentes tarefas.

“Analisando o pico cortical e a atividade potencial de campo local em quatro tarefas de movimento, demonstramos cinco casos de uso”, escreveram Sani, Pesaran e Shanechi. “O DPAD permitiu uma previsão neural-comportamental mais precisa. Ele identificou transformações dinâmicas não lineares de potenciais de campo locais que eram mais preditivos de comportamento do que recursos de energia tradicionais. Além disso, o DPAD alcançou redução de dimensionalidade neural não linear preditiva de comportamento. Ele permitiu testes de hipóteses sobre não linearidades em sistemas neurais- transformação comportamental, revelando que em nossos conjuntos de dados, as não linearidades poderiam ser amplamente isoladas para o mapeamento da dinâmica cortical latente para o comportamento”.

As descobertas dos testes iniciais realizados por esta equipa de investigadores sugerem que o seu modelo pode ser uma ferramenta valiosa para a investigação em neurociência, pois pode ajudar a testar hipóteses sobre como a dinâmica dinâmica e não neural se relaciona com comportamentos específicos. Notavelmente, seu modelo foi considerado aplicável ao estudo de comportamentos contínuos (ou seja, monitorados continuamente por um determinado tempo), amostrados intermitentemente (ou seja, registrados em diferentes momentos no tempo) e categóricos (ou seja, enquadrados em categorias distintas).

Como parte do estudo, os pesquisadores demonstraram principalmente o uso de sua abordagem para modelar a transformação da atividade neural dos primatas em comportamento. No entanto, também poderia ser usado para modelar outras dinâmicas cerebrais, como a dinâmica compartilhada e distinta de diferentes regiões cerebrais ou a dinâmica neural provocada por estímulos sensoriais.

© 2024 Science X Network