CEBRA：同時利用神經活性與行為資料的降維方法

在神經科學的領域中，一個目標是希望能看到神經活性與行為的相互對應，例如說：一群神經活化能讓人們舉起左手，而另一群神經活化則能舉起右手，這除了能讓我們更了解大腦如何運作之外，也能試圖透過腦機介面去幫助一些患者。隨著近年來飛速進步的科技，科學家已經能同時偵測越來越大量的神經活性，如記錄電生理的Neuropixels 2.0[1]，或是鈣離子影像[2]。

若將一顆神經活性設為一個維度，且同時記錄1000顆神經，一個特定時刻的神經活性就代表1000維空間中的一個點，而一段時間的神經活性則是一段連續的軌跡，但要在極高維度的空間進行分析相當困難且不直觀，例如說頭向細胞(head-direction cell)，單顆頭向細胞會在小鼠頭轉到特定角度時產生反應，而同時記錄一大群並進行拓撲分析，其實可以在高維空間中找到嵌入其中的低維空間(latent embedding)，像是一個環，環的角度對應到小鼠頭朝向的角度[3]。而另一些經常使用的方法是降維，透過降維來擷取最核心的資訊，若資訊存在於三維以內，更能直觀地觀看圖像。

降維方法非常多，但多數並未利用”時間”這一個在神經活性記錄總是可取得的訊息，其他的一些方法也有一些各自的假設及侷限性，本篇的作者提出了一個新的降維方法 CEBRA (Consistent EmBeddings of high-dimensional Recordings using Auxiliary variables)，說明此方法可以在跨動物個體、跨試驗的情況下，比其他方法得到更為一致的低維特徵。

透過對比學習得到低維特徵

CEBRA的核心是藉由對比學習(contrastive learning)，讓相似的樣本彼此靠近、不同的樣本互相遠離，如Fig. 1。

如果資料集具有行為讀數(behavior labels)，可以使用CEBRA-Behavior模式，以動物表現出的行為為依據，讓不同神經活性資料點經過對比學習後，形塑成低維特徵，此方式可用來進行假設驅動分析(hypothesis-driven analysis)，是為一種監督式學習(supervised learning)。

若資料集中只有神經活性的時間序列，則使用CEBRA-Time模式，“時間相近”是對比學習中讓資料點靠近的唯一依據，此方法可用來發現隱藏的訊息(discovery-driven)，為一種自監督式學習(self-supervised learning)。

Fig. 1. (原始論文 Fig. 1a)

在多隻動物、多個試驗下具有較一致的低維特徵

Fig. 2 是作者拿來進行測試的一個資料集，內容為一隻大鼠在一個長條空間來回跑動，行為讀數有方向、位置。

Fig. 2. (原始論文 Fig. 1c)

Fig. 3 則是比較了不同的降維方法，結果顯示以CEBRA進行降維可以得到有意義的低維特徵(觀察不同方向、不同位置的資料點分布成近似一條線的形狀)，降維結果的表現比其他方式好(請參照原始論文)，並且在多隻動物中得到的結果具有高度相關性。

Fig. 3. (原始論文 Fig. 1d & 1e)

除了這個資料集之外，論文中還拿了另外兩個資料集進行驗證，有興趣的讀者可以去看看。

結語

作者在論文中提及，降維方法經常用來作為可視化方法，但若能在不同分析中得到一致性的結果，此方法會更有用。文中尤其提到了腦機介面，即是需要在多次面對同種測試之下，也具有穩定性，更重要的是CEBRA速度快，才能夠在收到新的資料時，立即處理、並解碼新的神經活性，達成真正的即時應用。

撰稿：黃宣霈 H. P. Huang

原始論文：

Schneider, S., Lee, J. H., & Mathis, M. W. (2022). Learnable latent embeddings for joint behavioral and neural analysis. arXiv preprint arXiv:2204.00673.

參考資料：

1. Steinmetz, N. A., Aydin, C., Lebedeva, A., Okun, M., Pachitariu, M., Bauza, M., ... & Harris, T. D. (2021). Neuropixels 2.0: A miniaturized high-density probe for stable, long-term brain recordings. Science, 372(6539), eabf4588.

2. Zong, W., Obenhaus, H. A., Skytøen, E. R., Eneqvist, H., de Jong, N. L., Vale, R., ... & Moser, E. I. (2022). Large-scale two-photon calcium imaging in freely moving mice. Cell, 185(7), 1240-1256.

3. Chaudhuri, R., Gerçek, B., Pandey, B., Peyrache, A., & Fiete, I. (2019). The intrinsic attractor manifold and population dynamics of a canonical cognitive circuit across waking and sleep. Nature neuroscience, 22(9), 1512-1520.

4. https://cebra.ai