【普林斯顿博士论文】深度学习方法用于发现高维神经数据中的可解释潜在动态

许多科学领域正在通过深度学习等新技术进行革命，以揭示复杂高维数据背后的动态。然而， 将这些强大的新方法应用于神经科学的挑战仍处于起步阶段。在这里，我们描述了多年来我们深度学习方法的发展，旨在通过仅使用少量潜在维度，发现大规模神经元群体中的非线性动态。与现有的主要方法不同，我们方法的低维特性使得所学的动态系统更易于解释，甚至可以显式可视化系统的向量场和吸引子结构。

我们的方法利用了神经微分方程（NDEs），这是一类深度递归神经网络模型，相比经典的递归神经网络，能够在低维空间中实现更复杂的计算。这种在低维度中的复杂性有助于提取可解释且有效的低维动态，这些动态可能是数据集或任务的核心。我们解决了将NDEs应用于神经数据时的若干技术挑战，并开发了一种神经动态发现方法，称为FINDR（基于深度递归网络的神经数据流场推断），该方法构建在NDEs的基础上。

为了展示其科学应用，我们将FINDR应用于多种神经群体数据集，包括来自执行感知决策任务的老鼠前额皮层和纹状体的数据。我们发现，神经轨迹在两个连续的阶段中演变，第一个阶段由感觉输入驱动，第二个阶段由系统内部的动态驱动。初始阶段介导证据积累，而随后的阶段则支持决策承诺。这一阶段过渡与神经群体中决策过程表征的快速重组相耦合（即“神经模式”的变化，决策过程沿其发展）。我们的结果表明，感知选择的形成涉及决策过程的动态模式和神经模式的快速、协调过渡。

总体而言，FINDR作为一种揭示神经群体低维动态的强大方法，展现了巨大的潜力，并提供了一个通用的、可解释的框架，通过动态系统的视角来研究神经计算。