Onderzoekers hebben aangetoond dat een AI-model in staat is om de voorkeursoriëntatie en de positie van het receptieve veld van neuronen in de visuele cortex van muizen te bepalen, enkel door te kijken naar de onderlinge correlaties tussen neuronen.
Traditioneel wordt de functie van een neuron bepaald door de activiteit van de cel te koppelen aan een specifieke externe prikkel. In een recent onderzoek, gepubliceerd op het preprintplatform arxiv.org, is echter onderzocht of deze informatie ook besloten ligt in de correlatiematrix van een populatie neuronen. Deze matrix bevat de paarsgewijze relaties tussen neuronen, maar laat de informatie over de specifieke stimulus weg.
Inzet van Transformer-modellen
Voor dit onderzoek is gebruikgemaakt van een transformer-model. Dit AI-model kreeg enkel de correlatiematrix van 512 geselecteerde neuronen als input. Opvallend is dat het model geen labels kreeg en geen referentiepopulatie in de input had. De data waren afkomstig van in-vivo MICrONS-responsen in de visuele cortex van muizen.
De resultaten laten zien dat het model de voorkeursoriëntatie van de neuronen kon decoderen met een gemiddelde foutmarge van 25 graden. Ter vergelijking: een ongeïnformeerde schatting zou een foutmarge van 45 graden hebben, terwijl de beste constante schatting op 41 graden lag. Daarnaast kon de positie van het receptieve veld worden bepaald met een R²-waarde van 0,23. Wanneer het model werd getest op een zogenaamd 'digital-twin' substraat, waren de resultaten nog nauwkeuriger, met een foutmarge van 20 graden voor de oriëntatie en een R²-waarde van 0,48 voor de positie.
Herkenning van oriëntaties
Het model bleek effectief in het onderscheid tussen horizontale en verticale voorkeuren. Volgens de publicatie op was het model in 79% van de gevallen correct bij in-vivo data en in 87% van de gevallen bij de digitale tweeling. Dit staat tegenover een percentage van 56% voor het meest voorkomende antwoord. De onderzoekers merken wel op dat het model niet in staat was om schuine oriëntaties (obliques) te onderscheiden.
De mogelijkheid om deze ordening te herstellen komt voort uit het feit dat de relaties tussen oriëntatieklassen bijna circulair zijn. Dit bepaalt de structuur van de klassen, op een rotatie en reflectie na. De rotatie van het kader kon enkel worden hersteld door een afwijking van deze symmetrie, wat wordt toegeschreven aan een anisotropie van de signaalcorrelaties. In de primaire visuele cortex (V1) vertonen neuronen die de dominante oriëntatie prefereren de meest vergelijkbare responsen aan elkaar.
Analyse van diverse populaties
Het onderzoek maakte gebruik van data van 33 verschillende muizen uit de Allen Brain Observatory, waarbij gebruik werd gemaakt van driftende rasters. Hieruit bleek dat de overdracht van oriëntatie naar onbekende dieren enkel mogelijk was wanneer de geselecteerde populatie een mix van verschillende dieren bevatte. Wanneer populaties uit slechts één dier werden getrokken, kon de decodering niet meetbaar beter worden uitgevoerd dan de beste constante schatting. Dit wordt toegeschreven aan de beperkte diversiteit van populaties die één enkel dier kan bieden.
Wat betreft de receptieve velden stelt de auteur, , dat de informatie die over verschillende dieren heen overdraagbaar is, betrekking heeft op waar het geïmageerde deel van elk dier op het scherm kijkt, en niet op de specifieke indeling van de neuronen binnen dat deel.
De volledige details van het onderzoek en de bijbehorende code zijn beschikbaar via de , waarbij het werk is ingediend onder de categorieën Neurons and Cognition, Machine Learning en Neural and Evolutionary Computing.