論文の概要: A discrete generative model of neuronal spiking activity on microelectrode arrays

• arxiv url: http://arxiv.org/abs/2609.23907v1
• Date: Sun, 20 Sep 2026 22:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.016114
• Title: A discrete generative model of neuronal spiking activity on microelectrode arrays
• Title（参考訳）: 微小電極アレイ上での神経スパイク活性の離散的生成モデル
• Abstract要約: 神経活動の生成モデルは、組織力学の特徴付け、実験条件の比較、人口活動のシミュレートに役立つ。 本稿では,モチーフの共有語彙を用いて,この活動を表現する離散生成モデルを提案する。 ヒトの脳オルガノイドとヒト海馬の急性海馬組織に分布する31種類のアッセイのモデルについて検討した。
• 参考スコア（独自算出の注目度）: 5.691710068675227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models of neural activity could help characterize tissue dynamics, compare experimental conditions, and simulate population activity for applications ranging from disease and drug-response studies to closed-loop experimentation. Existing approaches, however, typically assume a fixed set of sorted neurons, whereas high-density microelectrode arrays produce extremely sparse, array-wide binary spike volumes in which the observed subset of electrodes varies across assays. We introduce a discrete generative model that represents this activity using a shared vocabulary of spatiotemporal motifs. A residual vector-quantized autoencoder learns the motif vocabulary, while a factorized masked transformer predicts where activity occurs and which motif appears at each active location. We evaluate the model on 31 assays spanning human brain organoids and acute \emph{ex vivo} human hippocampal tissue. The learned motifs are broadly reused: assay identity explains only $9%$ of the entropy in motif use, and motif overlap across tissue types is comparable to overlap within them. When representation quality is evaluated independently of the generative prior, our approach achieves $5.2\times$ the voxel-level reconstruction average precision of a matched flat tokenizer. For masked completion and free generation, the full model achieves $1.4$--$2.6\times$ the site-level average precision of the matched generative baseline and outperforms it across all four families of generation metrics. These results establish a compact, reusable representation for array-wide spiking activity without learned assay-specific parameters, providing a scalable foundation for generative modeling across diverse neural preparations.
• Abstract（参考訳）: 神経活動の生成モデルは、組織力学の特徴付け、実験条件の比較、疾患や薬物応答研究からクローズループ実験まで、様々な用途における集団活動のシミュレートに役立てることができる。 しかし、既存のアプローチは通常、固定された選別ニューロンのセットを仮定するが、高密度のマイクロ電極アレイは、観察された電極のサブセットがアッセイによって異なる、非常に疎い、配列幅のバイナリスパイクボリュームを生成する。 時空間モチーフの共有語彙を用いて,この活動を表現する離散生成モデルを提案する。 残留ベクトル量子化されたオートエンコーダはモチーフ語彙を学習し、因子化されたマスク変換器は活動の発生場所と各活動部位にモチーフが現れるかを予測する。 ヒトの脳オルガノイドと急性海馬組織に分布する31種類のアッセイのモデルについて検討した。 学習されたモチーフは、広く再利用されている:アッセイアイデンティティは、モチーフ使用におけるエントロピーのわずか9%ドルしか説明せず、組織タイプ間で重複するモチーフは、それらの中で重複するのと同程度である。 表現品質が生成前と独立に評価されると,一致するフラットトークン化器のボクセルレベルの再現平均精度を5.2\times$で達成する。 マスク付き完了とフリージェネレーションでは、全モデルが1.4$--2.6\times$で一致した生成基準のサイトレベルの平均精度を達成し、4つの世代メトリクスのすべてで性能を上回っている。 これらの結果は、測定パラメータを学習せずに配列ワイドスパイキング活動のコンパクトで再利用可能な表現を確立し、多種多様なニューラル準備における生成モデリングのためのスケーラブルな基盤を提供する。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Molecular-driven Foundation Model for Oncologic Pathology [6.922502805825084]
  スライドレベルの基盤モデルであるThreadsを導入し、任意のサイズの全スライド画像の普遍的な表現を生成する。 スレッドは47,171ヘマトキシリンとエオシン(H&E)染色組織分画の多モード学習法を用いて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-01-28T02:35:02Z)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Integrating GNN and Neural ODEs for Estimating Non-Reciprocal Two-Body Interactions in Mixed-Species Collective Motion [0.0]
  本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。 本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
  論文  参考訳（メタデータ） (2024-05-26T09:47:17Z)
• Exploring hyperelastic material model discovery for human brain cortex: multivariate analysis vs. artificial neural network approaches [10.003764827561238]
  本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。 我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
  論文  参考訳（メタデータ） (2023-10-16T18:49:59Z)
• Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
  近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。 導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
  論文  参考訳（メタデータ） (2022-03-15T10:05:43Z)
• A probabilistic latent variable model for detecting structure in binary data [0.6767885381740952]
  スパースバイナリデータにおけるパターンの雑音や近似的な繰り返しを検出するために,新しい確率的二項潜在変数モデルを導入する。 モデルの能力は、網膜ニューロンから記録された構造を抽出することによって示される。 映画刺激時の網膜神経節細胞に記録されたスパイク応答に本モデルを適用した。
  論文  参考訳（メタデータ） (2022-01-26T18:37:35Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。