利用受限玻尔兹曼机揭示大规模神经活动的统计结构

大规模电生理记录现在允许同时监测数千个神经元跨越多个脑区，揭示了神经群体活动中结构化的变异性。理解这些集体模式如何从微观神经相互作用中涌现需要具有可扩展性、可预测性和可解释性的模型。统计物理提供了原则框架来应对这种复杂性，包括最大熵模型虽能提供神经群体活动的透明描述，但主要局限于两两相互作用和较小的系统规模。本文使用受限玻尔兹曼机（RBM）建模来自 Allen Institute Visual Behavior Neuropixels 数据集中约 1500-2000 个同时记录的神经元活动，涵盖小鼠大脑多个皮层和皮层下区域。RBM 通过引入潜在变量扩展最大熵框架，使能够捕获更高阶依赖关系，同时允许显式提取有效相互作用网络。近期高效马尔可夫链抽样和训练技术使我们能够在此规模下准确学习这些模型。RBM 能够以高精度再现神经记录的复杂统计特性。生成的样本匹配经验的两两相关性和更高阶相关性，以及如群体活动分布等全局统计量。推断得到的参数提供了对有效神经相互作用的直接访问，揭示了群体活动中的协调模式。这些耦合显示出明显的解剖结构：视觉皮层区域内的神经元之间的相互作用更强，这与视觉驱动的行为相符，而跨区域的耦合则较弱。尽管基于时间被随机化的数据训练，马尔可夫链蒙特卡洛仿真也能再现神经活动的全局松弛动力学。