Decodificación Eficiente de Respuestas de Poblaciones Neurales a Gran Escala Con Regresión Multiclase de Proceso Gaussiano

Los métodos de decodificación neural proporcionan una herramienta poderosa para cuantificar el contenido de información de los códigos de población neural y los límites impuestos por las correlaciones en la actividad neural. Sin embargo, los métodos de decodificación estándar son propensos al sobreajuste y escalan mal a entornos de alta dimensión. Aquí, introducimos un nuevo método de decodificación para superar estas limitaciones. Nuestro enfoque, el decodificador multiclase de proceso gaussiano (GPMD), es adecuado para decodificar una variable continua de baja dimensión a partir de la actividad de poblaciones de alta dimensión y proporciona una plataforma para evaluar la importancia de las correlaciones en los códigos de población neural. El GPMD es un modelo de regresión logística multinomial con una prior de proceso gaussiano sobre los pesos de decodificación. La prior incluye hiperparámetros que gobiernan la suavidad de los pesos de decodificación de cada neurona, permitiendo la poda automática de neuronas no informativas durante la inferencia. Proporcionamos un método de inferencia variacional para ajustar el GPMD a los datos, que escala a cientos o miles de neuronas y tiene un buen rendimiento incluso en conjuntos de datos con más neuronas que ensayos. Aplicamos el GPMD a grabaciones de la corteza visual primaria en tres especies: mono, ferret y ratón. Nuestro decodificador alcanza una precisión de vanguardia en los tres conjuntos de datos y supera sustancialmente la decodificación bayesiana independiente, mostrando que el conocimiento de la estructura de correlación es esencial para una decodificación óptima en las tres especies.