用于神经生物网络功能连接组动态表示的学习
神经元与认知
2024-02-29 v2 机器学习
社会与信息网络
摘要
静止的神经元突触连接性直接与其功能的动态性形成对比。正如社区相互作用一样，不同的神经元可以在不同的时间以各种组合参与以实现各种行为。我们引入了一个无监督的方法，用于学习 live、行为中的神经元之间的动态亲和性，并揭示在不同时间神经元群体中形成的社区。推断分为两个主要步骤：首先，对来自全脑钙活性活动的神经痕迹之间的两两非线性亲和性进行非负张量分解（NTF）组织。每个因子指定了在推断的时间间隔内，哪些神经元群体最可能发生互动，以及针对哪些动物。最后，应用一个允许加权社区检测的生成模型，用于处理由 NTF 生成的功能图案，以揭示动态功能连接组。由于时间对不同的实验变量（例如化学刺激物的应用）进行编码，这提供了一个神经图案在实验不同阶段（例如刺激物的应用或自发行为）活跃的图谱。我们分析结果经实验验证，确认该方法能够稳健地预测神经元之间的因果相互作用以生成行为。代码已公开于 https://github.com/dyballa/dynamic-connectomes。
引用
@article{arxiv.2402.14102,
title = {Learning dynamic representations of the functional connectome in neurobiological networks},
author = {Luciano Dyballa and Samuel Lang and Alexandra Haslund-Gourley and Eviatar Yemini and Steven W. Zucker},
journal= {arXiv preprint arXiv:2402.14102},
year = {2024}
}
备注
Accepted at ICLR 24