摘要
研究人员开发了一种几何深度学习方法，用于揭示不同个体之间共享的大脑活动模式。该方法名为MARBLE（Manifold Representation Basis Learning），能够从神经记录中学习动态模式（motifs），并识别不同大脑在完成相同任务时使用的共同策略。通过对猕猴和大鼠的测试，MARBLE在解码与运动和导航相关的神经活动方面表现出色，优于其他机器学习方法。该系统通过将神经数据映射到高维几何空间中，实现了跨个体和跨条件的模式识别。

关键发现

• 几何深度学习：MARBLE通过将神经信号映射到高维形状上，识别出共享的大脑活动模式。

• 跨个体比较：该方法成功检测到不同动物在执行相同任务时的共同神经模式。

• 脑机接口应用：通过将大脑活动解码为可识别的模式，MARBLE有望改进辅助机器人技术和神经科学研究。

• 来源：EPFL（瑞士洛桑联邦理工学院）

研究背景

在“盲人摸象”的寓言中，几位盲人通过触摸大象的不同部位（如尖牙、灵活的鼻子或粗壮的腿）来描述大象，却因感知不完整而对其真实形态产生分歧。这一故事揭示了基于不完整个体感知来理解潜在对象的难题。类似地，当研究人员基于有限数量的神经元记录来研究大脑动态时，他们必须推断出生成这些记录的潜在大脑动态模式。

EPFL信号处理实验室（LTS2）负责人Pierre Vandergheynst教授表示：“假设你和我都参与一项心理任务，比如导航去上班。少数神经元的信号能否告诉我们，我们使用的是相同还是不同的心理策略来解决任务？这是神经科学中的一个基本问题，因为实验者通常记录来自许多动物的数据，但我们很少能确定它们是否使用相同的大脑模式来表示特定任务。”

Vandergheynst教授及其团队在《Nature Methods》上发表了一种几何深度学习方法，能够推断跨实验对象的潜在大脑活动模式。MARBLE通过将电神经活动分解为动态模式（motifs），并由几何神经网络学习这些模式，实现了这一目标。

研究方法与发现

MARBLE的独特之处在于它从弯曲空间中学习，这些空间是复杂神经活动模式的自然数学空间。研究团队在猕猴和大鼠的大脑记录上测试了MARBLE，发现当不同动物使用相同的心理策略完成手臂伸展或迷宫导航任务时，它们的大脑动态由相同的模式组成。

MARBLE在解码猕猴前运动皮层（与手臂伸展任务相关）和大鼠海马体（与空间导航任务相关）的神经活动时，表现优于其他机器学习方法。此外，由于MARBLE基于高维形状的数学理论，它能够将不同实验条件下的神经活动记录整合到一个全局结构中，这使其比其他需要用户定义全局形状的方法更具优势。

应用前景

MARBLE不仅有助于理解支撑大脑计算和行为的动态机制，还可以利用神经活动数据识别大脑在执行特定任务（如手臂伸展）时的动态模式，并将其转化为可解码的表征，从而用于触发辅助机器人设备。

研究人员强调，MARBLE是一种强大的工具，可应用于科学领域和数据集，以比较动态现象。Vandergheynst教授表示：“MARBLE方法主要用于帮助神经科学研究人员理解大脑如何在个体或实验条件之间进行计算，并揭示存在的普遍模式。但其数学基础绝不限于大脑信号，我们预计这一工具将惠及其他生命科学和物理科学领域的研究人员。”

关于本研究的更多信息

• 作者：Celia Luterbacher

• 来源：EPFL

• 联系人：Celia Luterbacher – EPFL

• 原始研究：开放获取。“Interpretable statistical representations of neural population dynamics and geometry” by Pierre Vandergheynst et al. Nature Methods