英语轻松读发新版了,欢迎下载、更新

生物学和人工智能系统中的脑间神经动力学

2025-07-02 15:07:48 英文原文

作者:Hong, Weizhe

数据可用性

所有了解文章结论所必需的数据和分析均在主要文本和扩展数据中介绍。 源数据提供本文。

参考

  1. Chen,P。&Hong,W。社会行为的神经回路机制。神经元 98,16 30(2018)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  2. Kingsbury,L。&Hong,W。社交互动的多脑框架。趋势神经科学。 43,651 - 666(2020)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  3. Czeszumski,A。等。Hyperscanning:一种研究社会相互作用的神经间间基础的有效方法。正面。哼。Neurosci。 14,39(2020)。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  4. Dumas,G。&Fairhurst,M。T.互惠和对齐:量化动态相互作用中的耦合。R. Soc。开放科幻。 8,210138(2021)。

    文章一个 广告一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  5. Dumas,G.,Lachat,F.,Martinerie,J.,Nadel,J。&George,N。从社会行为到大脑同步:Hyperscanning中的评论和观点。IRBM 32,48 -53(2011)。

    文章一个 Google Scholar一个 

  6. Hasson,U.趋势Cogn。科学。 16,114 - 121(2012)。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  7. Kinreich,S.,Djalovski,A.,Kraus,L.,Louzoun,Y。&Feldman,R。自然主义社交互动期间的大脑对脑之间的同步。科学。代表。 7,17060(2017)。

    文章一个 广告一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  8. Tseng,P.-H.,Rajangam,S.,Lehew,G.,Lebedev,M。A.&Nicolelis,M。A. L.脑间皮质同步编码猴子对社交相互作用的多个方面。科学。代表。 8,4699(2018)。

    文章一个 广告一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  9. 金斯伯里(L.等)。相关的神经活动和社会相互作用动物大脑的行为的编码。细胞 178,429 - 446(2019)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  10. Zhang,W。&Yartsev,M。M.与社会相互作用蝙蝠的大脑之间的神经活动相关联。细胞 178,413 - 428(2019)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  11. Botvinick,M.,Wang,J。X.,Dabney,W.,Miller,K。J.&Kurth-Nelson,Z。深钢筋学习及其神经科学意义。神经元 107,603â616(2020)。

    文章一个 CAS一个 PubMed一个 Google Scholar一个 

  12. Arulkumaran,K.,Deisenroth,M。P.,Brundage,M。&Bharath,A。A.深钢筋学习:简短的调查。IEEE信号过程。杂志 34,26 38(2017)。

    文章一个 广告一个 Google Scholar一个 

  13. Busoniu,L.,Babuska,R。&Schutter,B。D.对多基础增强学习的综合调查。IEEE Trans。系统。男人塞伯恩。c 38,156 - 172(2008)。

    文章一个 Google Scholar一个 

  14. Zhang,K.,Yang,Z。&BaåAr,T。In加固学习和控制手册(Eds Vamvoudakis,K。G.等人)321â384(2021)。

  15. Yizhar,O。等。信息处理和社会功能障碍的新皮质激发/抑制平衡。自然 477,171 178(2011)。

    文章一个 广告一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  16. Murugan,M。等。将社会和空间编码结合在前额叶皮层的下降投影中。细胞 171,1663年1677年(2017年)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  17. Scheggia,D。等。小鼠前额叶皮层控制情感状态歧视中的生长抑素中间神经元。纳特。Neurosci。 23,47 -60(2020)。

    文章一个 CAS一个 PubMed一个 Google Scholar一个 

  18. 金斯伯里(L.等)。特定性别的社会行为的皮质表征。神经元 107,941 - 953(2020)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  19. Frost,N。A.,Haggart,A。&Sohal,V。S.前额叶皮层中相关活动的动态模式编码有关社会行为的信息。Plos Biol。 19,E3001235(2021)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  20. 蒙特,O。D。等。在灵长类动物前额叶 - 杏仁核网络中,交互式社会凝视神经元的广泛实现。神经元 110,2183 2197(2022)。

    文章一个 Google Scholar一个 

  21. Li,S。W.等。额叶神经元推动社会群体的竞争行为和生态学。自然 603,661 - 666(2022)。

    文章一个 广告一个 CAS一个 PubMed一个 Google Scholar一个 

  22. Padilla-Coreano,N.,Tye,K。M.&Zelikowsky,M。对社会价值的神经编码的动态影响。纳特。Neurosci牧师。 23,535 - 550(2022)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  23. Merre,P。L.,âhrlund-Richter,S。&Carlâ©N,M。小鼠前额叶皮层:多样性的统一。神经元 109,1925年(2021年)。

    文章一个 PubMed一个 Google Scholar一个 

  24. Abdi,H。&Williams,L。J.部分最小二乘方法:部分最小二乘相关性和部分最小二乘回归。方法摩尔。生物。 930,549 579(2012)。

    文章一个 Google Scholar一个 

  25. Lopes-Dos-Santos,V.,Ribeiro,S。&Tort,A。B. L.检测大型神经元种群中的细胞组件。J Neurosci。方法 220,149 - 166(2013)。

    文章一个 PubMed一个 Google Scholar一个 

  26. Pereira,T。D.等。SLEAP:一种用于多动物姿势跟踪的深度学习系统。纳特。方法 19,486 495(2022)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  27. Hotelling,H。两组变体之间的关系。Biometrika 28,321(1936)。

    文章一个 Google Scholar一个 

  28. Liang,E。等。RLLIB:分布式增强学习的抽象。在Proc。第35届机器学习国际会议 80,3053â3062(PMLR,2018年)。

  29. 舒尔曼(J.预印本https://doi.org/10.48550/arxiv.1707.06347(2017)。

  30. Tremblay,R.,Lee,S。&Rudy,B。Neofortex中的GABA能中间神经元:从细胞性质到电路。神经元 91,260 A292(2016)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  31. Hattori,R.,Kuchibhotla,K。V.,Froemke,R。C.&Komiyama,T。新皮质抑制神经元亚型的功能和功能障碍。纳特。Neurosci。 20,1199年1208(2017)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  32. Pinto,L。&Dan,Y。目标指导行为期间额叶皮层中细胞型特异性活性。神经元 87,437年450(2015)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  33. Dumas,G.,Nadel,J.,Soussignan,R.,Martinerie,J。&Garnero,L。社交互动期间的脑间同步。PLOS一个 5,E12166(2010)。

    文章一个 广告一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  34. 巴拉萨(P.正面。哼。Neurosci。 14,295(2020)。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  35. Semedo,J。D.,Zandvakili,A.,Machens,C。K.,Yu,B。M.&Kohn,A。皮质区域通过通信子空间相互作用。神经元 102,249 259(2019)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  36. Fakhar,K。&Hilgetag,C。C.人工神经网络的系统扰动:朝着量化大脑的因果贡献的一步。PLOS计算。生物。 18,E1010250(2022)。

    文章一个 广告一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  37. Cowley,B。R.等。将模型单元映射到视觉神经元揭示了社会行为的人口代码。自然 629,1100区1108(2024)。

    文章一个 广告一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  38. Kao,J。C.使用复发性神经网络探测神经动力学的考虑。J. Neurophysiol。 122,2504 2521(2019)。

    文章一个 PubMed一个 Google Scholar一个 

  39. Vong,L。等。瘦素对GABA能神经元的作用可预防肥胖症,并降低对POMC神经元的抑制作用。神经元 71,142 - 154(2011)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  40. Dimidschstein,J。等。一种靶向和操纵脊椎动物中神经元的病毒策略。纳特。Neurosci。 19,1743年1749年(2016年)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  41. Pnevmatikakis,E。A.&Giovannucci,A。Normcorre:一种用于钙成像数据的分段刚性运动校正的在线算法。J. Neurosci。方法 291,83 - 94(2017)。

    文章一个 CAS一个 PubMed一个 Google Scholar一个 

  42. 周,P。等。从微观镜面视频数据中有效,准确地提取体内钙信号。Elife 7,E28728(2018)。

    文章一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  43. Zhang,M.,Wu,Y。E.,Jiang,M。&Hong,W。对痛苦中对他人的行为的皮质调节。自然 626,136 - 144(2024)。

    文章一个 广告一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  44. Wu,Y。E.等。亲社会相互作用中隶属关系的神经控制。自然 599,262 267(2021)。

    文章一个 广告一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  45. Adhikari,R。&Agrawal,R。K.时间序列建模和预测的介绍性研究(兰伯特学术出版社,2013年)。

  46. Sheintuch,L。等。在CA中多天跟踪相同的神经元2+成像数据。细胞代表。 21,1102â1115(2017)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  47. Musall,S.,Kaufman,M。T.,Juavinett,A。L.,Gluf,S。&Churchland,A。K.单审神经动力学以丰富的运动为主。纳特。Neurosci。 22,1677年1686年(2019年)。

    文章一个 CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  48. Lerer,A。&Peysakhovich,A。使用深厚的强化学习在复杂的社会困境中维持合作。预印本https://doi.org/10.48550/arxiv.1707.01068(2017)。

  49. Foerster,J。N。等。用对手学习意识学习。在Proc。第17届自主代理和多基因系统国际会议122â130(ACM,2018年)。

  50. Lu,C.,Willi,T.,De Witt,C.S。&Foerster,J。无模型对手塑造。在Proc。第39届机器学习国际会议卷。162,14398 14411(PMLR,2022)。

  51. 周(J. L.在Proc。第38届神经信息处理系统会议59491 59512(Curran Associates,2024)。

  52. Agapiou,J。P。等。熔炉2.0。预印本https://doi.org/10.48550/arxiv.2211.13746(2022)。

  53. Espeholt,L。等。Impala:可扩展的分布深-RL,具有重要的加权演员学习者体系结构。在Proc。第35届机器学习国际会议(PMLR,2018年)。

下载参考

致谢

作者感谢D. Buonomano,A。Kennedy,V。Sohal,P。Golshani和A. Churchland提出了宝贵的建议;W.H.实验室成员有价值的评论。这项工作部分得到了国立卫生研究院的部分支持(R01 MH130941,R01 NS113124,R01 MH132736和RF1 NS132912),Packard科学与工程学奖学金,Vallee Scholar Award和Mallinckrodt奖学金和Mallinckrodt奖学金(W.H.194346年的职业(致J.C.K.),NIH F31 MH134521和NSF NRT(致N.P.),以及大脑与行为研究基金会的赠款(授予X.Z.)。

作者信息

作者注意

  1. 这些作者同样贡献:Xingjian Zhang,Nguyen Phi

作者和隶属关系

  1. 加利福尼亚大学洛杉矶分校,加利福尼亚州洛杉矶分校的David Geffen医学院神经生物学系

    Xingjian Zhang,nguyen phi,Qin li,ryan gorzek,shan huang,lyle kingsbury,tara raam,ye emily wu,

  2. 加利福尼亚大学洛杉矶分校的戴维·格芬医学院生物化学系,美国加利福尼亚州洛杉矶

    Xingjian Zhang,nguyen phi,Qin li,ryan gorzek,shan huang,lyle kingsbury,tara raam,ye emily wu,

  3. 加利福尼亚大学洛杉矶分校的亨利·塞缪尔工程学院生物工程系,美国加利福尼亚州洛杉矶

    Qinliâ&weizhe hong

  4. 加利福尼亚大学洛杉矶分校的亨利·塞缪尔工程学院电气和计算机工程系,美国加利福尼亚州洛杉矶

    Niklas Zwingenberger,John L. Zhou&jonathan C. Kao

  5. 加利福尼亚大学洛杉矶分校的亨利·塞缪尔工程学院计算机科学系,美国加利福尼亚州洛杉矶

    乔纳森·C·考

作者

  1. Xingjian Zhang
  2. Nguyen Phi
  3. 秦李
  4. 瑞安·戈尔泽克(Ryan Gorzek)
  5. Niklas Zwingenberger
  6. Shan Huang
  7. 约翰·L·周
  8. 莱尔·金斯伯里(Lyle Kingsbury)
  9. 塔拉·拉姆(Tara Raam)
  10. 你们艾米丽·吴
  11. 唐·韦
  12. 乔纳森·C·考
  13. 魏兹·洪

贡献

W.H.和X.Z.设计实验。X.Z.进行了所有实验。W.H.,N.P.,X.Z。和J.C.K.设计分析。N.P.进行了大多数计算分析,包括来自小鼠的钙成像数据分析和多代理相互作用分析。X.Z.有助于一些计算分析。Q.L.有助于一些多代理分析。R.G.设计并进行了行为空间的分析,并为其他分析做出了贡献。N.Z.为多代理环境的初始设置提供了指导。S.H.和L.K.对项目做出了重大贡献。T.R.和D.W.协助一些实验。J.L.Z.为硬币任务做出了贡献。J.C.K.提供了有关多代理分析和有关数据分析的宝贵反馈的关键指导。W.H.,X.Z.,N.P.,J.C.K。和Y.E.W.写了手稿。W.H.构思了该项目并监督整个研究。

相应的作者

对应乔纳森·C·考或者魏兹·洪

道德声明

竞争利益

J.C.K.是Luke Health的联合创始人,并且是其董事会成员。其他作者没有宣称没有竞争利益。

同行评审

同行评审信息

自然感谢Steve Chang,Valentin Dragoi,Guillaume Dumas,Francesco Papaleo和其他匿名评论者对这项工作的同行评审的贡献。

附加信息

出版商的注释关于已发表的地图和机构隶属关系中的管辖权主张,Springer自然仍然是中立的。

扩展数据图和表

扩展数据图1对脑间相关性的其他分析。一个

,示例荧光图像显示了VGAT-CRE小鼠DMPFC(中间,红色)中MDLX-GCAMP6F(左,绿色)和Hsyn-Dio-Mcherry表达式的覆盖(右)。比例尺,100 µm。b,MDLX-GCAMP6F和HSYN-DIO-MCHERRY表达式之间共定位的量化。c,,,,d,冠状切片显示AAV-Camkii-GCAMP6F的表达(谷氨酸能神经元,c)和AAV-MDLX-GCAMP6F(GABA能神经元,d)在注射地点。比例尺,500 µm。注射位点的视图扩大如图2所示。1C。e,与分离会话和跨对对照相比,在相互作用过程中,DMPFC GABA能神经元中骨料之间的(平均)活性的脑间相关性。f,在相互作用和分离过程中GABA能神经元的骨料(平均)活性以及相互作用的相对性神经活性。该面板显示了图2的数据的重建。1n使用较小的滞后窗口。g,与分离会话和跨对对照相比,在相互作用过程中DMPFC谷氨酸能神经元中聚集(平均)活性的脑间相关性。h,谷氨酸能神经元在相互作用和分离会话中的骨料(平均)活性以及相互作用会话的相位神经活性。该面板显示了图2的数据的重建。1k使用较小的滞后窗口。我,,,,j,示例跟踪(顶部)和自相关(底部)(平均)活动(平均)活动(我)和相随机对照(j)。K-M,来自聚集体(平均)神经痕迹的傅立叶变换(平均值±SEM)的单个组件的脑间相关性(PCC)。互动会话中显示的数据k被重播l和m以及来自相应分离会话的数据。n,在旋转前后的示例GABA能神经元活性的自相关。o,鞭打前的gabaergic的脑间相关性(左边)和谷氨酸能正确的)在相互作用会话,分离会话和洗牌控件中的神经元。p,,,,,在Gabaergic中旋转前神经活动的互相关(p)或谷氨酸能)在互动过程中,跨动物的神经元与分离会话和洗牌对照(平均±SEM)相比。R-S,来自鞭打骨料的傅立叶变换的单个成分的脑间相关性(PCC)(平均)活性(平均)活性r)或谷氨酸能s)神经元(平均±SEM)。值得注意的是,预振动部分消除了实际信号,可能会降低相互作用和分离会话之间观察到的脑间相关性差异。t,GABA能和谷氨酸能神经元的发射速率。你,,,,v,发射率()和脑间相关性(v)在不同细胞类型中,基于点火速率将最高20%谷氨酸能神经元采样后。W-X,发射率(w)和脑间相关性(x)根据发射速率,在对最高50%的50%谷氨酸能神经元和最低的50%GABA能神经元进行了采样后,基于发射速率。T-X,平均值±SEM。y,,,,z,仅来自社会响应或非社会响应神经元的脑间相关性(PCC)(PCC)y)或谷氨酸能z) 人口。p **** <0.0001,p *** <0.001;p ** <0.01;pâ> 0.05,N.S。箱形图:中位数,四分位数(IQR)和晶须,指示Min-Max(Y,Z)或1.5 iqr(E,G,O)。请参阅补充表1有关统计分析的详细信息。源数据扩展数据图2 GABA能和谷氨酸能神经元中社会行为的编码。a-e

,使用每种细胞类型的种群活性区分不同行为的SVM解码器的性能,以区分不同的行为和基线行为(非行为力矩),谷氨酸能神经元下采样以符合GABA能神经元的平均数量。

f-i

,SVM解码器的性能通过训练有训练,可以使用两个神经元种群的种群活性来区分行为对,每只动物都采样至50个神经元。J-N,使用种群活性的基线(非行为力矩)对不同行为进行解码的SVM解码器的性能,使用两个神经元种群下采样至每只动物的50个神经元。箱形图:中位数,四分位数范围(IQR)和晶须,指示Min-Max(A-N)。请参阅补充表1有关统计分析的详细信息。源数据

扩展数据图3男性和雌性小鼠共享神经动力学。一个

,在相互作用会话中,跨动物对和细胞类型的显着共享神经维度(PLSC)的数量。

公元前,顶部共享神经维度(PLSC1)的PCC在相互作用和分离会话中的gabaergic机会上(PLSC1)(PLSC1)(b)和谷氨酸能c)神经元。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。d,,,,e,与Gabaergic相互作用和分离课程中最高独特神经维度的PCC(d)和谷氨酸能e)人口。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。A-E相互作用会话中的GABA能和谷氨酸能神经元的数据被从图2中重播。2Gâj。f在雌性或雄性小鼠相互作用期间,通过GABA能或谷氨酸能PLSC1解释的神经方差。g,在雌性或雄性小鼠的相互作用过程中,在GABA能或谷氨酸能神经元中,顶级尺寸的PCC在GABA能或谷氨酸能神经元中的机会上方有PCC。h,在雌性或雄性小鼠的相互作用过程中,在GABA能或谷氨酸能神经元中,顶部独特尺寸的PCC超过了U1的u1。U1是指独特的神经子空间的PC1。G中的值是观察到的数据的PCC中的值减去从时间改组的数据中计算出的PCC。我,与相传递的种群聚集体(平均值)(平均值±SEM)相比,在不同时间尺度上,每种细胞类型的顶部共享或独特神经维度的脑间相关性。使用快速傅立叶变换将每只动物的PLSC1或U1神经维度分解为不同的频带。j,,,,k,重要神经元的直方图有助于顶部共享和独特的神经维度(j)或第一个与第二个共享神经维度(k)在谷氨酸能神经元中(在所有动物中汇集)。p **** <0.0001,p *** <0.001,p ** <0.01,p*<0.05,pâ> 0.05,n.s。箱形图:中位数,四分位数范围(IQR)和晶须指示1.5 iqr(A-H)。请参阅补充表1有关统计分析的详细信息。源数据

扩展数据图4对共享神经子空间的其他分析。

A-F

,使用推断的尖峰共享神经子空间分析A-B,使用gabaergic中推断的尖峰的共享神经维数的数量(一个)和谷氨酸能b)互动或分离过程中的神经元。c,使用推断的尖峰,通过在每种细胞类型的相互作用过程中,通过在每种细胞类型的相互作用过程中共享和独特的神经子空间来解释的神经方差。d,通过推断的尖峰,通过顶部共享神经尺寸PLSC1解释的神经方差PLSC1。E-F,顶部共享的PCC(e)或独特(f)神经尺寸上方的机会。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。G-L,对记录的神经元种群的共享神经子空间分析,每只动物为50个神经元采样。g,,,,h,在相互作用或分离过程中,GABA能和谷氨酸能神经元中共有的神经维度的数量。,神经方差通过在每种细胞类型的相互作用过程中共享和独特的神经子空间解释,所有动物平均。j,每种细胞类型的PLSC1解释的神经方差。k-l,顶部共享的PCC(k)或独特(l)一对上方的神经维度。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。先生,对谷氨酸能神经元下采样的共享神经子空间分析,以符合GABA能神经元的平均数量。M-N,gabaergic中共有神经维度的数量(m)和谷氨酸能n)互动或分离过程中的神经元。o,神经方差通过在每种细胞类型的相互作用过程中共享和独特的神经子空间解释,所有动物平均。p,每种细胞类型的PLSC1解释的神经方差。Q-R,顶部共享的PCC()或独特(r)跨动物对和细胞类型的一对神经维度。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。m -r,所有GABA能神经元数据均从图中重播。2G,i,n,o,由于只有谷氨酸能神经元采样以与GABA能神经元的平均数量相匹配。S-W,使用CCA共享神经子空间分析。s,使用PLSC与CCA方法鉴定的顶部共享神经维度的相似性,该方法通过其Pearson相关系数(平均值±SEM)测量。t,神经方差由CCA(CC1)确定的顶部共享神经维度解释。,顶部的PCC使用CCA上面的CCA共享神经维度。所示的值是观察到的数据的PCC减去从时间改组的数据计算出的PCC。V-W,PLSC1与CC1在GABAEGIC中捕获的神经方差的直接比较(v)或谷氨酸能w)神经元。p **** <0.0001,p *** <0.001;p ** <0.01;pâ> 0.05,N.S。箱形:中值,四分位数(IQR)和晶须,指示1.5 iqr(a,b,d-f,g,h,h,j-l,m,m,m,n,p-r,t,u)。请参阅补充表1有关统计分析的详细信息。源数据

扩展数据图5在社会和非社会时刻共享神经子空间。

脑间相关性(PCC),大量共享神经维度的数量,PLSC1的偶然级别提取的PCC(观察到的数据的PCC减去从时间上调整的数据中计算出的PCC)以及在相互社交,单向社会和非相互互动的互动中所述的差异的差异以及由共享的神经子空间中解释的差异。一个 -d)或谷氨酸能神经元(e -h)。比较A和E中GABA能和谷氨酸能神经元之间的相互社会条件,Pâ= 0.0003;B和F,pâ= 0.0644;c和g,pâ<0.0001;d和h,pâ= 0.0008(双向方差分析,然后进行sidâk多重比较)。i-l:脑间相关性(PCC),偶然级别的PLSC1减去PCC的PCC,通过共享维度解释的差异的部分以及在相互交互仪式中相互饲养与同时饲养(相互非社会)行为期间GABA能或谷氨酸能神经元中共享维度的数量。在我 -l,所有相互的社交数据均从A-H重新启动。m,通过谷氨酸能的共享神经子空间来解释的较高的神经方差在参与更高水平的相互社会互动的动物中。箱形图:中位数,四分位数范围(IQR)和晶须,指示1.5 iqr(A-M)。请参阅补充表1有关统计分析的详细信息。源数据

扩展数据图6跨时间神经子空间的相似性。一个

,,,,b

,在相互作用或分离课程的前10分钟内,在GABA能或谷氨酸能神经元中有显着共享神经维度(PLSC)的数量。由于较短的时间窗口包含的行为相互作用较少,因此我们希望它表现出的共享维度少于整个20分钟的相互作用会话。c,在相互作用的前10分钟内,神经方差通过GABA能和谷氨酸能种群中的共享神经子空间解释。d,,,,e,顶部共享(PLSC1)或唯一(U1)神经维度的时间稳定性(gabaergic)(d)或谷氨酸能e)在相互作用会话的第一个和第二个10分钟之间的神经元。f -,在相互作用过程中,PLSC1或U1尺寸在GABA能或谷氨酸能神经元中的1分钟长度的不同时间时期的时间稳定性。j,,,,k,gabaergic中PLSC1之间的余弦相似性(j)或谷氨酸能k)神经元是从具有相同行为类别(平均±SEM)的时间间隔次数建立的。行为类别是:攻击包括攻击,争吵,追逐和威胁;防御包括防守,逃脱和退缩;嗅探包括通用鼻子,面部鼻子和生殖器 - 鼻子;方法包括方法和遵循;非社交包括自我环境,挖掘,探索对象,咬合对象,爬升和站立。l,,,,m,gabaergic方差的一部分(l)或谷氨酸能m)神经维度PLSC1或U1由行为状态和状态过渡,单独的行为状态及其差异解释,这些差异反映了过渡的独特贡献。n -,神经元质量中心之间的X-和Y-坐标差异显着促进了PLSC1与U1在GABA能或谷氨酸能群中的差异。1像素对应于大约2.5 µm。箱形图:中位数,四分位数范围(IQR)和晶须指示1.5 iqr(A-Q)。请参阅补充表1有关统计分析的详细信息。源数据扩展数据图7不同伴侣和行为之间神经子空间的相似性。一个

,,,,

b。

当一种动物与不同伴侣相互作用时,PLSC1系数之间的余弦相似性(平均值±SEM)。C-F,偶然级别减去gabaergic plsc1s之间的余弦相似性(c),gabaergic U1S(d),谷氨酸能PLSC1(e),或谷氨酸能U1S(f)在不同类别的行为中建立。星号标志着明显高于其洗牌对照的观察组。行为类别包括:攻击包括攻击,争吵,追逐和威胁;防御包括防守,逃脱和退缩;嗅探包括通用鼻子,面部鼻子和生殖器 - 鼻子;方法包括方法和遵循;非社交包括自我环境,挖掘,探索对象,咬合对象,爬升和站立。g,计算余弦相似性作为对互动伙伴不同行为反馈中PLSC1稳定性的测量的示意图。用生物者创建。Phi,N。(2025)https://biorender.com/r9xshzl。h,,,,,当受试者动物显示特定行为(由条形的颜色表示)而伴侣以两种不同类型的行为反馈做出反应时,机会级别在PLSC1之间减去了余弦相似性。星号标志着与洗牌对照更相似的响应对。结果表明,在伴侣动物正在嗅探或接近的那一刻,以及伴侣进行非社会行为的那一刻(灰色条中的灰色条,h)。由于两种情况下的动物都不参与相互社会相互作用,因此在这两种情况之间,共享神经子空间的权重更相似。但是,这并不意味着共享的神经子空间更大,即使它很小,共享的神经子空间也可能更相似。小号:平均±SEM(A-F,H,I)。请参阅补充表1有关统计分析的详细信息。

源数据

扩展数据图8以侵略性动物对共享神经子空间。一个

,注释行为对谷氨酸能神经元中顶部共享神经维度(PLSC1)的贡献(平均值±SEM)。b,时间百分比在单个动物对中相互社会相互作用(为GABA能神经元成像)中表现出侵略性。C-E,在动物对中侵略性动物和顺从动物之间的行为表征表现出高水平的攻击性。f,,,,g,在相互作用会话,分离课程中,高攻击动物对中的脑间相关性及其在Gabaergic中的洗牌控制(f)或谷氨酸能神经元(g)。h,,,,我,在互动期间或分离会话中的大量共享维度数量(GABA能h)或谷氨酸能神经元(我) in high-aggression animal pairs.j-l, Fraction of variance explained by shared dimensions (j), chance-level subtracted PCC of PLSC1 (k), and chance-level subtracted PCC of U1 (l) in GABAergic and glutamatergic neurons in high-aggression animal pairs.m,,,,n, Inter-brain correlation (PCC) of aggregated (mean) activity during the moments of aggressive behaviors, non-aggressive social behaviors, and non-social behavior, in GABAergic (m) or glutamatergic (n) neurons within interaction sessions.o,,,,p, Fraction of neural variance explained by shared dimensions during the moments of aggressive behaviors, non-aggression social behaviors, and non-social behavior in GABAergic (o) or glutamatergic (p) neurons.Boxplots: medians, interquartile ranges (IQR), and whiskers indicating min-max (c-e) or 1.5× IQR (f-p).See Supplementary Table1for details of statistical analyses.源数据Extended Data Fig. 9 Additional analyses on intra-brain correlations and neuronal ensembles.一个, Neural variance explained by the first principal component (PC1) during interaction sessions, social or non-social moments within interaction sessions, and during separation sessions in glutamatergic neurons, compared to temporally shuffled data (subsampled to 50 neurons).b, Intra-brain neural correlation, measured by average PCC between individual neurons and PC1 during interaction sessions, social or non-social moments within interaction sessions, and during separation sessions in glutamatergic neurons, compared to temporally shuffled data (subsampled to 50 neurons).c-f

, Scatter plots of intra-brain neural correlation versus inter-brain coupling above chance (PCC of observed PLSC1 minus the PCC of temporally shuffled data) during interaction sessions (c

), 社会的 (d

) and non-social (e) moments within interaction sessions, and during separation sessions (f) in glutamatergic neurons.g,,,,h, Average pairwise PCC between neurons within the same neural ensembles identified during social (g) or non-social (h) moments within interaction sessions in glutamatergic neurons., Behavior tunings of glutamatergic ensembles identified during social and non-social moments within interaction sessions.j, Neural variance explained by the first principal component (PC1) during social or non-social moments within interaction sessions, and during separation sessions in GABAergic neurons, compared to temporally shuffled data (subsampled to 50 neurons).k, Average PCC values between individual neurons and their corresponding PC1 during social or non-social moments within interaction sessions, and during separation sessions in the GABAergic population, compared to temporally shuffled data (subsampled to 50 neurons).l, Cross-covariance of PLSC1 in GABAergic neurons in separation sessions after disrupting intra-brain coupling or temporal coupling, relative to the shuffle baseline.m,,,,n, Percentage of significant neurons contributing to GABAergic and glutamatergic ensembles identified during interaction (m) or separation (n) sessions.o,,,,p, Percentage of significant neurons contributing to GABAergic or glutamatergic ensembles identified during interaction (o) or separation (p) sessions in animals that contain at least one ensemble (GABAergic or glutamatergic neurons are subsampled to 50 neurons).One animal (glutamatergic) does not contain any ensembles during separation sessions.,,,,r, Average pairwise PCC between neurons within the same glutamatergic ensembles during interaction () or separation (r) sessions after being subsampled to match the average GABAergic neuron numbers (Mean ± SEM).s,,,,t, Average pairwise PCC of GABAergic and glutamatergic ensembles identified during interaction (s) or separation (t) sessions after subsampling glutamatergic neurons to match GABAergic neuron numbers (Mean ± SEM).Boxplots: medians, interquartile ranges (IQR), and whiskers indicating 1.5× IQR (a, b, j-p).Barplots: mean ± SEM (g, h, q-t).See Supplementary Table1for details of statistical analyses.源数据Extended Data Fig. 10 Additional characterization of behavioral features.一个, Example traces of a subset of raw tracking features and derived behavioral features that constitute the high-dimensional behavior space of each animal, aligned with the behaviors of the subject animal.The raster on top indicates the behaviors of the partner animal during the same period.b, Behavior space derived from animal postural tracking can decode multiple annotated behaviors above chance level, including attack, chase, escape, defend, approach, self-grooming, dig, stand, and sniff.c,,,,d, GLM modeling of individual features of behavioral space by population neural activity in GABAergic (c) or glutamatergic (d) neurons.The fraction of neural variance explained is presented as the value exceeding chance levels (subtracting the chance level determined from a null distribution).Boxplots: medians, interquartile ranges (IQR), and whiskers indicating 1.5× IQR (b-d).See Supplementary Table

1

for details of statistical analyses.

源数据Extended Data Fig. 11 Neural activity during aggressive behavior.一个, Variance explained by coordinated or uncoordinated behavior subspace during aggressive moments.b, Animals’ speeds during different social behaviors.c,,,,d, Average activity of GABAergic (c) and glutamatergic (d) neurons, sorted based on animals’ speed, in different social behaviors.e,,,,f, No significant linear relationship is identified between speed and average neural activity in both GABAergic (e) and glutamatergic (f) neurons.g,,,,我, Covariance (g

) or correlation (

) of the top shared neural dimension (PLSC1) across a lag range of −30 to +30 s using 100 ms timesteps in aggressive mouse pairs.h,,,,j, Comparison of PLSC1 covariance (h) or correlation (j) within a 1-s window before versus after the peak at 0-s lag.k, Correlation of the top coordinated behavior dimension (CC1) across a lag range of −30 to +30 s using 100 ms timesteps in aggressive pairs.l, Comparison of CC1 correlation within a 1-s window before versus after the peak at 0-s lag.g,,,,,,,,k, x-axes represent the temporal offset between the more aggressive and more submissive animal in each pair, with positive values indicating that the signal from the aggressive animal precedes that of the submissive animal (Mean ± SEM).Boxplots: medians, interquartile ranges (IQR), and whiskers indicating 1.5× IQR (b-d).Barplots: mean ± SEM (h,j,l).See Supplementary Table1for details of statistical analyses.源数据Extended Data Fig. 12 Additional analyses on neural and behavioral subspaces.一个, Variance of shared, unique, or full neural spaces explained by the combined behavior space of the subject and partner, accounting for chance in the glutamatergic population.b,,,,c, Variance in shared neural subspace explained by coordinated behavior (b), self-behavior or partner behaviors (c) as a ratio to the total variance that can be explained by behavior in the glutamatergic population.d,,,,e, Variance in the unique neural subspace explained by coordinated behavior (d), self-behavior, or partner behaviors (e) as a ratio to the total variance that can be explained by behavior in the glutamatergic population.f,,,,g, Partner representation is enriched in the shared neural subspace compared to the full neural space in GABAergic (f) or glutamatergic (g

) neurons.

Partner representation data in the shared neural subspace in

f, gare replotted from Fig.4land Extended Data Fig.12c, 分别。Boxplots: medians, interquartile ranges (IQR), and whiskers indicating 1.5× IQR (a).Barplots: mean ± SEM (b-g).See Supplementary Table1for details of statistical analyses.源数据Extended Data Fig. 13 Shared neural dynamics between artificial agents.一个, Number of significantly shared dimensions in social agent pairs (pooling over training iterations 15000, 16000, 17000, 18000, 19000, and 20000), compared to non-social agents with full vision of the partner trained to a similar stage.b, PCC of the top shared neural dimensions (PLSC1) above chance across social agent pairs, compared to non-social agents with full vision of the partner trained to a similar stage.Values shown are the PCC of observed data minus the PCC computed from temporally shuffled data.c, Number of significantly shared dimensions in social agent pairs (pooling over training iterations 15000, 16000, 17000, 18000, 19000, and 20000) upon removing the moments in which agents exhibited identical actions.d, PCC of the top shared neural dimensions (PLSC1) above chance across social agent pairs, upon removing moments of identical actions between the agents.e, Cross-covariance of PLSC1 in non-social agents after computationally disrupting intra-brain coupling or temporal coupling, subtracting shuffle control as baseline.f, Asymmetric representation of partner’s behaviors, discounting self-behaviors, was observed across agent pairs trained with a different reward structure (方法)。g, Variance explained, subtracting chance level, in neural space of chaser agents by the top 10 PLSC dimensions or 25 random principal components used in perturbation experiments.h, Schematics showing mutual interaction task (方法)。i, j, Number of mutual interactions (我

) and percent of time agents keep the partner in vision (

j

) in trained versus untrained agents.k, Number of shared dimensions in agents behaving in collaborative (mutual social interaction task), competitive (chase-explorer task), and non-social tasks.l, PCC of the top shared neural dimensions (PLSC1) above chance in different tasks.在一个 -d,,,,k, 和l, data from social agents (also labeled as “original” inc和d, and “competitive” ink和l) are replotted from Fig.6g,hData from non-social agents ink和lare also replotted from Fig.6g,hm, Schematics showing the Coins task (方法)。Adapted from ref.51n, Number of self coins collected in trained versus untrained agents.o, Number of shared dimensions in trained agents from the same (observed) or different (cross-pair) interaction sessions.p, Schematics showing a more complex social interaction task (方法)。Copyright 2024 Google DeepMind.q-s, Number of apples collected (), acorns collected (r), and social captures (s) in trained versus untrained agents.Trained agents adopt strategies to increase the collection of high-reward items (acorns) while employing a mixed strategy for low-reward items (apples), with some agents prioritizing apple collection and others not.t, Number of shared dimensions in trained agents from the same (observed) or different (cross-pair) interaction sessions.Boxplots: medians, interquartile ranges (IQR), and whiskers indicating min-max (i, j) or 1.5× IQR (a, b, e, g, k, l, n, o, q-t).Barplots: mean ± SEM (c, d, f).See Supplementary Table1for details of statistical analyses.源数据补充信息权利和权限Springer Nature或其许可人(例如,社会或其他合作伙伴)根据与作者或其他权利归属人的出版协议享有本文的独家权利;本文接受的手稿版本的作者自我构造仅受此类出版协议和适用法律的条款的约束。重印和权限关于这篇文章引用本文Zhang, X., Phi, N., Li, Q.等。Inter-brain neural dynamics in biological and artificial intelligence systems.自然(2025)。https://doi.org/10.1038/s41586-025-09196-4下载引用已收到09 May 2024公认2025年5月27日出版

2025年7月2日

doi

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Zhang, X., Phi, N., Li, Q. et al. Inter-brain neural dynamics in biological and artificial intelligence systems. Nature (2025). https://doi.org/10.1038/s41586-025-09196-4

Download citation

  • Received:

  • Accepted:

  • Published:

  • DOI: https://doi.org/10.1038/s41586-025-09196-4

关于《生物学和人工智能系统中的脑间神经动力学》的评论


暂无评论

发表评论

摘要

Zhang,Phi,Li等人在自然界发表(2025年)撰写的“生物和人工智能系统中的脑间神经动力学”(2025年),探索了相互作用的剂之间的共同神经活动(包括生物小鼠和人造药物)之间的共享神经活动,以及这种脑部动力学与社会行为如何相关。这是从补充信息和提供的扩展数据数据中的关键发现和方法的摘要:###关键发现:1。**小鼠脑间神经动力学:** - 研究人员确定了从事相互作用的小鼠对之间共享的神经活动模式。 - 发现相互作用动物的大脑活动之间共享了大量维度,表明脑间动力学。2。**行为相关性和共享神经空间:** - 他们观察到,与每只动物的独特空间相比,在共享神经空间中,伴侣行为所解释的方差更高。 - 这表明脑之间的协调在社会互动中起着至关重要的作用,除了个体的大脑活动模式。3。**伴侣代表的角色:** - 该研究发现,在共享神经子空间中对伴侣行为的表现增强,表明小鼠在互动过程中正在积极处理有关其伴侣的信息。4。**人工代理分析:** - 通过训练人工代理人执行社会任务(例如相互作用和追逐探索游戏),研究人员观察到了类似的试名模式。 - 与非社会相互作用的药物相比,社会训练的药物的共同维度数量和神经活动中的相关性的数量更高。###方法论:1。**行为跟踪:** - 高维行为空间来自动物姿势跟踪数据,其中包括各种捕获小鼠行为方面的特征。 - 该空间使研究人员能够使用神经活动模式来解码多个带注释的行为,并模拟个人行为特征。2。**神经数据获取:** - 使用来自小鼠特定脑区域的GABA能(抑制)和谷氨酸能(兴奋性)神经元中的钙成像技术记录神经活动。 - 然后使用部分最小二乘相关性(PLSC)分析数据以进行脑间相关性。3。**人工代理人培训:** - 人工代理人接受了各种社会任务(例如协作和竞争游戏)的培训。 - 模拟了神经活动,并与生物小鼠相似地计算了相互作用剂对之间的共享维度。4。**破坏性实验:** - 了解脑间动力学的作用,在人造药物中破坏了脑内耦合和时间耦合。 - 这有助于隔离机构间协调对其行为和神经活动模式的贡献。###补充信息: - 扩展数据数字提供了有关行为解码,侵略性行为期间神经活动的其他详细信息以及协调和不协调子空间之间的比较。 - 数字还探索了通过生物小鼠和人造剂的共享和独特组成部分解释的神经方差。 - 提供示意图来解释在不同任务中人工药物的实验设置和培训程序。### 结论:该研究表明,脑间动力学在社会互动中起着重要作用,无论是在生物生物体还是人工智能系统之间。共享神经空间中增强的伴侣代表性提出了一种进化的机制,用于在社交互动过程中处理有关他人的信息,这对于在自然和合成背景下的成功合作和竞争至关重要。这项工作通过提供对机构间协调的潜在机制的洞察力来弥合神经科学的研究,从而在理解跨生物和人工系统的复杂社会行为方面提供了潜在的应用。