公众账号为 QbitAI分享重要新知
人类在与大脑的旅程中又有了新的进展和突破。
一直以来，科学家们不断探索大脑的奥秘，采取了各种方法来探究其内部的神秘机制。从直接观察大脑到光脉冲控制元，再到构建复杂装置和虚拟现实环境，科学家们一直在努力寻找答案。而事实上，只要能够准确、高效地观察动物行为，就能探究大脑中的元。正如哈佛医学院的生物学家Bob Datta所言，观察雄性果蝇的不同行为策略能够帮助我们确定控制果蝇行为的元。这是一个重要的里程碑，我们期待这个模型能够广泛应用于活动和自然行为的联系研究。这项成果已经登上了Nature Neuroscience。
科学家们采用了广义线性模型（GLM）和隐马尔可夫模型（HMM）来捕捉果蝇行为变化的网络。这是一种无监督的方法。通过观察雄性果蝇在求偶过程中的行为，科学家发现存在三种模式的声音，正弦形态以及两种脉冲形态的歌声。为了探究这种行为背后的机制，研究人员收集了数百分钟的求偶互动数据，训练了多项式GLM预测整个求偶过程中雄蝇的唱歌行为，并建立了一个基于反馈线索预测唱歌模式的GLM-HMM模型。通过这个模型，我们能够描述反馈线索如何影响特定行为的发出以及状态转换的概率。这个模型允许每个状态使用不同的回归权重来预测行为。通过这一模型，研究人员总结了果蝇求偶过程的三种状态：靠近、追逐和不感兴趣。随后通过激活元来探究驱动不同状态转变的元。重点关注的元包括pIP10等，实验发现激活pIP10元使得果蝇进入“靠近”状态的可能性大大增加。
对于动物行为的研究一直在推动着科学家们探索新的方法和策略。从最初需要捕捉动物所有动作的时始，科学家们逐渐认识到哪些动作是重要的。此后科学家们尝试使用机器学习来解决动物行为问题并取得了显著的进展。通过使用深度学习技术，现在研究人员可以通过训练网络来几乎动物的关节和主要部位运动模式在获取对动物的精细研究数据的同时大大简化了数据集收集的工作 科学家们希望通过无监督的方式来实现这个过程无监督方法本身就有希望揭示隐藏的行为结构随着各种应用系统的出现如DeepLabCut LEAP SLEAP和DeepPoseKit等现在我们可以考虑更多的问题进行更深入的研究然而这些应用都依赖于监督学习科学家们希望通过更自然的方式来实现这个过程通过对动物行为的深入了解揭秘复杂高密度的编码
本文所涉及的一些重要人物包括普林斯顿大学的科学研究助理Adam J. Calhoun、科学教授Jonathan W. Pillow以及研究果蝇沟通机制的科学教授Mala Murthy等。他们的研究成果对于推动我们对大脑工作机制的理解有着重要意义。
完