基于图神经网络的空间模式神经回路自监督发现

从神经群活动推断突触连接是计算神经科学中的基本挑战之一，受部分可观测性和推断模型与真实电路动力学之间不匹配的制约。本研究提出一种基于图的神经推断模型，同时预测神经活动并推断潜在连接，将神经元建模为图中的相互作用节点。该架构包含两个 distinct 模块：一个用于学习结构连接，另一个通过图神经网络（GNN）预测未来的脉冲活动。我们的模型通过辅助节点容纳不可观测的神经元，实现了部分观测电路的推断。我们使用由环形吸引网络模型生成的合成数据以及来自小鼠头部方向细胞的真实脉冲记录进行评估。在包括变化的递归连接、外部输入和不完整观测等多种条件下，我们的模型可靠地解析伪相关，恢复准确的权重轮廓。应用于真实数据时，推断得到的连接与连续型吸引模型的理论预测一致。这些结果凸显了 GNN-based 模型通过自监督结构学习推断潜在神经电路的潜力，同时利用脉冲预测任务灵活地将连接与动力学在模拟和生物神经系统之间关联。