是否有可能仅根据大脑信号就完全重建某人所看到的东西？答案是否定的，还没有。但是，在一项新的研究中，来自瑞士洛桑联邦理工学院的研究人员在这个方向上迈出了重要的一步：他们引入了一种新的算法来建立人工神经网络模型，以令人印象深刻的准确度来捕捉大脑的动态。这种根植于数学的新型机器学习算法被称为CEBRA，可学习神经代码中的隐藏结构。相关研究结果于2023年5月3日在线发表在Nature期刊上，论文标题为“Learnable latent embeddings for joint behavioural and neural analysis”。

(资料图片仅供参考)

这些作者的演示很清晰。一只小鼠观看一部20世纪60年代的黑白电影片段，其中一个男人跑向一辆汽车并打开后备箱。在另一个屏幕上，人们看到的是CEBRA计算出来这部电影的重建。这种由CEBRA构建的电影几乎与原作完全吻合，只是有一些怪异的扭曲，就好像你刚刚在《黑客帝国（Matrix）》中看到了一只虫子。

CEBRA从原始神经数据中学习到什么信息，可以在训练后通过解码进行测试---这是一种用于脑机接口（brain-machine-interface, BMI）的方法，他们发现他们可以从这种模型中解码出小鼠在观看电影时看到的内容。但CEBRA并不限于视觉皮层神经元，甚至是大脑数据。他们的研究还表明，它可以用来预测灵长类动物的手臂运动，并重建大鼠在竞技场上自由奔跑时的位置。

论文通讯作者、洛桑联邦理工学院贝塔雷利综合神经科学主任Mackenzie Mathis说，“这项研究只是朝着神经技术中需要的有理论支持的算法以实现高性能的脑机接口迈出了一步。”

为了学习小鼠视觉系统中的潜伏（即隐藏）结构，CEBRA在最初的训练阶段将大脑信号和电影特征进行映射后，可以直接从大脑信号中预测未观看的电影帧。

这些用于视频解码的数据是通过艾伦研究所（Allen Institute）公开获取的。这些大脑信号是通过插入小鼠大脑视觉皮层区域的电极探针或者使用光学探针---涉及使用经过基因改造后让激活的神经元发出绿色荧光的小鼠---直接测量大脑活动获得的。在这种训练阶段，CEBRA学习将大脑活动映射到特定的电影帧。考虑到小鼠的这一大脑区域大约由50万个神经元组成，CEBRA在视觉皮层中不到1%的神经元上表现良好。

使用CEBRA进行一致的和可解释的嵌入，图片来自Nature, 2023, doi:10.1038/s41586-023-06031-6。

Mathis解释说，“具体来说，CEBRA是基于对比学习（contrastive learning），这种技术可以学习如何将高维数据安排或嵌入到一个称为潜在空间（latent space）的低维空间中，从而使相似的数据点靠近，而更多不同的数据点相距更远。这种嵌入可以用来推断出这些数据中的隐藏关系和结构。它使得科学家们能够共同考虑神经数据和行为标签，包括测量的运动、诸如‘奖励’之类的抽象标签，或感官特征，比如图像的颜色或纹理。”

论文共同第一作者Steffen Schneider说，“与其他算法相比，CEBRA在重建合成数据方面表现出色，这对于比较算法至关重要。它的优势还在于它能够结合不同模式的数据，如电影特征和大脑数据，而且它有助于限制细微差别，比如取决于数据收集方式的数据变化。”

Mathis说，“CEBRA的目标是揭示复杂系统中的结构。鉴于大脑是我们宇宙中最复杂的结构，它是CEBRA的终极测试空间。它还可以让我们深入了解大脑是如何处理信息的，并且可能成为一个通过结合不同动物甚至物种的数据来发现神经科学的新原则的平台。

这种算法不限于神经科学研究，因为它可以应用于许多涉及时间或联合信息的数据集，包括动物行为和基因表达数据。因此，潜在的临床应用是令人兴奋的。”（生物谷 Bioon.com）

参考资料：

Steffen Schneider et al. Learnable latent embeddings for joint behavioral and neural analysis. Nature, 2023, doi:10.1038/s41586-023-06031-6.