Cebra - Brain signals to video - TAAFT

CEBRA oder Learnable Latent Embeddings for Joint Behavioural and Neural Analysis ist eine neuartige Machine-Learning-Methode, die mit dem Ziel entwickelt wurde, Verhaltens-Aktionen auf neurale Aktivität zu abbilden – ein fundamentales Ziel in der Neurowissenschaft. Das Tool wurde entwickelt, um das steigende Interesse an der Modellierung neuronaler Dynamiken während adaptiver Verhalten zu cater, da unsere Fähigkeit, groß angelegte neurale und verhaltensbezogene Daten aufzuzeichnen, wächst. Die Methode ist einzigartig, da sie sowohl verhaltens- als auch neurale Daten sowohl auf hypothesengetriebene als auch auf entdeckungsgetriebene Weise gemeinsam nutzen kann, um leistungsstarke und konsistente latente Räume zu produzieren, die die zugrundeliegenden Korrelate des Verhaltens enthüllen. Es kann über Single- und Multi-Session-Datensätze für Hypothesentests genutzt werden oder label-free verwendet werden. CEBRA ist geübt im Umgang mit Calcium- und Elektrophysiologie-Datensätzen über Aufgaben hinweg, ob sensorisch oder motorisch, und in einfachen oder komplexen Verhalten über Arten hinweg. Bemerkenswert ist, dass CEBRA effektiv für Space-Mapping genutzt werden kann, Enthüllung komplexer kinematischer Merkmale und schnelle, hochgenaue Dekodierung natürlicher Filme aus dem visuellen Kortex, wodurch unser Verständnis neuronaler Dynamiken und Verhalten verbessert wird. Es zeichnet sich auch bei der Dekodierung von Aktivität aus dem visuellen Kortex des Mausgehirns zur Rekonstruktion eines betrachteten Videos hervor, was sein Versprechen in Neurowissenschaft und Verhaltensstudien unterstreicht.