Neuron
基于多session神经和行为相关性的神经解码方法

小赛推荐：

该研究通过多session神经数据和行为相关性建模，显著提升神经解码准确性。模型具备高效性与可解释性，适用于跨物种、跨任务的神经活动解析。

 

文献概述

本文《Exploiting correlations across trials and behavioral sessions to improve neural decoding》，发表于《Neuron》杂志，回顾并总结了传统神经解码方法忽略跨trial和session相关性的局限，提出两种互补模型：多session降秩回归（RRR）和多session状态空间模型（BMM-HMM、LG-AR1），以捕捉神经活动与行为的共享结构，从而提高解码性能。

背景知识

传统神经解码方法通常基于单trial、单session数据，难以充分利用大规模多session数据中蕴含的神经与行为相关性。动物在执行相同任务时展现出跨session的神经活动一致性，且其行为受先前经验影响，这提示建模时应整合跨session神经共享结构与行为状态动态。当前主流模型如深度学习虽能建模复杂关系，但参数多、解释性差。因此，本研究提出低维、可解释的模型，以提升解码性能并揭示神经活动的内在行为相关结构。研究数据来源于International Brain Laboratory（IBL）的Neuropixels记录，涵盖433个session、270个脑区，同时验证于Allen Institute视觉编码数据及灵长类运动任务数据。

 

提供标准化的小鼠表型分析服务，涵盖行为学、生理生化、病理学、基因与蛋白表达、代谢分析和细胞功能检测等。

了解更多

 

研究方法与实验

研究提出两种主要模型：多session RRR模型和多session状态空间模型。多session RRR模型通过低秩分解共享时间基V并保留session特异性神经基U，从而减少参数并提升解码稳定性。多session状态空间模型（BMM-HMM和LG-AR1）通过贝叶lstm和自回归过程建模trial间行为依赖，结合其他session数据提升解码准确性。模型在IBL数据集上进行基准测试，涵盖choice、prior、wheel speed、whisker motion energy四种行为变量，并扩展至Allen Institute和灵长类数据，验证跨任务、跨物种泛化能力。

关键结论与观点

• 多session RRR模型在解码binary和continuous行为时优于传统线性及MLP模型，且具备更高可解释性。
• BMM-HMM和LG-AR1模型通过trial间状态推断，显著提升解码AUC和Pearson相关性，尤其在block结构行为中表现更优。
• 模型参数通过multi-session贝叶斯先验优化，避免过拟合，提升latent state推断稳定性。
• RRR模型可识别task-relevant神经元，通过neuron pruning验证其重要性，支持低维神经表征。
• 研究揭示脑区特异性activation timescale，发现motor、sensory区域响应较快，cortex及cerebellum较慢，提供脑区功能异质性线索。

研究意义与展望

本研究为神经解码提供了高效、可解释的低秩建模方案，适用于跨session、跨任务、跨物种的大规模神经数据解析。未来可扩展至多模态神经数据融合、非线性状态空间建模，进一步优化跨session共享结构，提升神经解码在复杂行为预测中的表现。

 

提供多种代谢相关疾病的小鼠模型，包括肥胖、糖尿病、非酒精性脂肪肝、高尿酸血症等，并支持定制化代谢疾病研究服务。

了解更多

 

结语

本研究提出多session神经解码模型，通过共享神经与行为结构显著提升解码性能。研究强调trial间与session间相关性的重要性，揭示低秩RRR与状态空间模型在解码中的互补性。模型具备良好泛化能力，适用于不同数据结构、行为任务与物种，为大规模神经数据解析提供可解释、高效的计算框架。

 

Yizi Zhang, Hanrui Lyu, Cole Hurwitz, Erdem Varol, and Liam Paninski. Exploiting correlations across trials and behavioral sessions to improve neural decoding. Neuron.