カルシウムイメージング集団ダイナミクスのための自己教師あり基盤モデル

Abstract

近年の研究では、大規模なマルチ動物モデリングが神経記録解析を大幅に改善できることが示唆されています。しかし、機能的なカルシウム（Ca）トレースに対する既存の手法は依然としてタスク固有であり、一般的な神経科学の目的間での転移が制限されています。 この課題に対処するために、我々は extbf{CalM} を提案します。これは、神経細胞のカルシウム・トレースのみで学習される自己教師ありのニューラル基盤モデルであり、予測やデコーディングを含む複数の下流タスクに適応可能です。 我々の主要な貢献は、事前学習の枠組みです。これは、単一ニューロンのトレースを共有された離散語彙へと写像する高性能なトークナイザと、神経軸と時間軸の両方に沿って依存関係をモデリングするデュアル軸自己回帰トランスフォーマから構成されます。 我々は、CalM を大規模なマルチ動物・マルチセッションのデータセットで評価します。 神経集団ダイナミクスの予測タスクにおいて、CalM は事前学習後に強力な専用ベースラインを上回ります。さらに、タスク固有のヘッドを用いることで CalM は行動デコーディング・タスクにも適応し、教師ありのデコーディング・モデルと比較して優れた結果を達成します。 また、CalM の表現に対する線形解析により、予測精度を超えた解釈可能な機能的構造が明らかになります。 以上を踏まえ、我々はカルシウム・トレースに基づく基盤モデルのための、新しく効果的な自己教師あり事前学習パラダイムを提案し、スケーラブルな事前学習と機能的神経解析における幅広い応用への道を開きます。 コードはまもなく公開されます。