内因性および入力駆動型の神経集団の動力学の基礎となる行動のモデリングと解離

ニューラルダイナミクスは、他の領域からの感覚入力や入力など、固有のダイナミクスまたは動的入力を反映できます。一時的に構造化された入力を本質的なダイナミクスとして誤って解釈することを避けるために、神経活動の動的モデルは測定された入力を説明する必要があります。ただし、測定された入力を組み込むと、特定の挙動の神経計算を研究するために重要な神経行動データの共同動的モデリングにはとらえどころのないままです。最初に、行動を検討しながら入力または入力ではなく行動ではなく、神経活動の動的モデルをどのようにトレーニングするかを示します。次に、神経活動、行動、測定された入力を同時に説明する新しい分析学習方法を開発します。この方法は、本質的に関連する神経ダイナミクスの学習に優先順位を付け、他の固有のダイナミクスと測定された入力ダイナミクスの両方からそれらを分離する新しい能力を提供します。さまざまなタスクを実行する固定された内因性ダイナミクスを備えたシミュレートされた脳からのデータでは、この方法はタスクに関係なく同じ固有のダイナミクスを正しく見つけますが、他の方法はタスクの変化の影響を受けます。タスク命令感覚入力を備えた2つの異なる運動タスクを実行している3つの被験者のニューラルデータセットでは、この方法は、他の方法で見逃され、行動および/または神経活動をより予測する低次元の固有の神経ダイナミクスを明らかにします。また、この方法では、本質的に関連する神経ダイナミクスが3つの被験者と2つのタスクでほぼ類似しているのに対し、全体的な神経ダイナミクスはそうではないことが独自に発見されています。神経行動データのこれらの入力駆動型動的モデルは、それ以外の場合は見逃される可能性のある内因性ダイナミクスを明らかにすることができます。

Neural dynamics can reflect intrinsic dynamics or dynamic inputs, such as sensory inputs or inputs from other regions. To avoid misinterpreting temporally-structured inputs as intrinsic dynamics, dynamical models of neural activity should account for measured inputs. However, incorporating measured inputs remains elusive in joint dynamical modeling of neural-behavioral data, which is important for studying neural computations of a specific behavior. We first show how training dynamical models of neural activity while considering behavior but not input, or input but not behavior may lead to misinterpretations. We then develop a novel analytical learning method that simultaneously accounts for neural activity, behavior, and measured inputs. The method provides the new capability to prioritize the learning of intrinsic behaviorally relevant neural dynamics and dissociate them from both other intrinsic dynamics and measured input dynamics. In data from a simulated brain with fixed intrinsic dynamics that performs different tasks, the method correctly finds the same intrinsic dynamics regardless of task while other methods can be influenced by the change in task. In neural datasets from three subjects performing two different motor tasks with task instruction sensory inputs, the method reveals low-dimensional intrinsic neural dynamics that are missed by other methods and are more predictive of behavior and/or neural activity. The method also uniquely finds that the intrinsic behaviorally relevant neural dynamics are largely similar across the three subjects and two tasks whereas the overall neural dynamics are not. These input-driven dynamical models of neural-behavioral data can uncover intrinsic dynamics that may otherwise be missed.