Electrosensory midbrain neurons optimally decode ascending input during object localization
Notice bibliographique
Résumé
Understanding how downstream brain areas decode sensory information represented by neural populations remains a central problem in neuroscience. While decoders that are optimized to extract the maximum amount of information have been extensively used in research, whether these are physiologically realistic remains at best unclear. Here we show that a physiologically realistic decoding scheme based on correlations between neural activities in the absence of stimulation can predict downstream neural responses as well as the optimal decoder. Simultaneous recordings were made from primary sensory neural populations and their downstream midbrain targets in the electrosensory system of Apteronotus leptorhynchus. We found that neural populations exhibited significant correlations in the absence of stimulation (i.e. 'baseline'), with downstream neural activity lagging primary sensory neural activity with a short latency. We then investigated how primary sensory neural activities were combined downstream. Overall, a decoder that assigned weights to each primary sensory neuron and was trained solely on baseline correlations performed as well as the optimal decoder trained on neural responses to stimulation. Interestingly, both decoders greatly outperformed schemes for which every neuron was assigned the same weight or when the weights were shuffled, indicating that neural identity is critical. Taken together, our results suggest that the brain uses decoding strategies that perform at optimal levels but are qualitatively different from those predicted from optimal solutions. KEY POINTS: How neural signals are decoded to give rise to perception remains poorly understood. We recorded from primary sensory neural populations and their downstream targets. A physiologically realistic decoder performed as well as the optimal solution to predict downstream responses. We found important qualitative differences between how information is decoded and the optimal solution. Our results demonstrate that the brain can do as well as an optimal decoder but uses a different strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».