用于多被试神经数据分析的共享表征发现

即使行为大体共享，不同个体的神经记录也会存在显著差异。被采样的神经元各不相同，而相同的行为也会发生在不同时间。标准的跨被试分析依赖于时间点匹配或解剖对应关系，这使得许多数据集无法被纳入分析。我们近期提出了共享表征发现（Shared Representation Discovery, ShaReD）方法，该方法通过联合学习共享的行为投影以及被试特异的神经投影，识别在被试间保守的神经—行为关系。本文中，我们利用合成数据、灵长类动物数据和大鼠数据对该方法进行了开发与基准测试。在合成数据上，ShaReD 能够在不同噪声水平、样本量和被试数量条件下恢复共同结构，并分离仅限于不同被试群体的成分。在非人灵长类动物运动皮层中，ShaReD 识别出可跨个体、且可跨具有不同运动统计特征的到达任务进行泛化的运动学表征。在执行空间交替任务的大鼠中，ShaReD 在 CA1 到 PFC 的通信子空间内分离出与行为对齐的方向。因此，ShaReD 将多被试分析扩展到这样一类数据集：其中存在可比行为，但不存在跨被试的时间对应关系。

即使行为在总体上是共享的，不同个体的神经记录也存在显著差异。被采样的神经元各不相同，而相同的行为也会在不同时间发生。标准的跨被试分析依赖于匹配的时间点或解剖对应关系，这使许多数据集无法被纳入分析。我们近期提出了共享表征发现（Shared Representation Discovery, ShaReD）方法，该方法通过同时学习一个共享的行为投影以及被试特异性的神经投影，识别出跨被试保守的神经—行为关系。本文利用合成数据、灵长类动物数据和大鼠数据对该方法进行了开发与基准评估。在合成数据上，ShaReD能够在不同噪声水平、样本量和被试数量条件下恢复共同结构，并分离仅限于不同被试群体的成分。在非人灵长类动物运动皮层中，ShaReD识别出能够跨个体以及跨具有不同运动统计特性的到达任务进行泛化的运动学表征。在执行空间交替任务的大鼠中，ShaReD从CA1到PFC通信子空间中分离出与行为对齐的方向。因此，ShaReD将多被试分析扩展到了这样一类数据集：其中可比行为会出现，但不存在跨被试的时间对应关系。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.18.745594v1?rss=1

🏷️ 共享表征发现 多被试神经数据 神经行为关系 跨个体分析 通信子空间