通过认识他人来认识自我：基于人群语境学习神经元身份

神经元的加工方式取决于其细胞类型、连接方式以及所嵌入的脑区。然而，从神经活动中推断这些因素仍是一个重大挑战。为构建通用表征以解决关于神经元身份的信息，本文引入 NuCLR，一个自监督框架旨在学习能够区分一个神经元与其余神经元的表示。NuCLR 将同一神经元在不同时间和不同刺激下的观察视角整合起来，并使用对比目标将这些表示拉拢。为在不假设固定神经元排序的情况下捕获人群语境，我们构建了一个在置换等价性方面具有鲁棒性的时空变换器。跨多个电生理和钙成像数据集，NuCLR 表示上进行的线性解码评估实现了细胞类型和脑区解码任务的里程碑式性能，并展示了对未见动物的强大零样本泛化。我们present了神经元级表示学习的首个系统性规模分析，表明在预训练期间使用的动物数量不断提高会稳定地提升下游性能。所学表示也label-efficient，仅需少量标记样本即可实现具竞争力的性能。这些结果凸显了大规模、多样化神经数据如何使模型能够恢复跨动物通用的神经元身份信息。代码已公开于 https://github.com/nerdslab/nuclr。